(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111225760.9 (22)申请日 2021.10.21 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 梁浩　张晓霞　钟福金　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 卢胜斌 (51)Int.Cl. G06F 30/27(2020.01) (54)发明名称 多源异构空气污染物的空间插值方法、 装置 及计算机设备 (57)摘要 本发明属于空气污染检测领域， 涉及一种多 源异构空气污染物的空间插值方法、 装置及计算 机设备； 所述方法包括获取目标地区的空气污染 物监测站点的监测数据和地理数据； 将目标地区 分为多个目标分区， 将目标分区的中心地理数据 放入站点选择器中， 选择出与目标分区相关的监 测站点； 采用云模型从所有监测站点中确定出与 该目标分区的监测数据分布最相似的M个监测站 点； 并将M个监测站点的监测数据输入到M ‑ Transformer网络模型中， 同时将该目标分区的 监测数据作为训练时的标签值进行训练； 直至将 整个目标地区的空气污染物监测数据填补完毕。 本发明采用站点打分机制和云模型去寻找与 目 标分区相似的站点， 最终能够提高插值的准确 性。 权利要求书2页 说明书9页 附图4页 CN 113887143 A 2022.01.04 CN 113887143 A 1.一种多源异构空气污染物的空间插值方法， 其特 征在于， 所述方法包括： 获取目标地区所有空气污染物监测站点的监测数据、 位置坐标、 海拔高度以及地形特 征， 并对其进行 预处理； 将目标地区按照所需的分辨率进行网格划分， 从而划分出多个目标分区， 并获取缺少 空气污染物监测站点的每 个目标分区的中心位置坐标、 海拔高度和地形 特征； 将各个缺少空气污染物监测 站点的目标分区的中心位置坐标、 海拔高度以及地形特征 放入站点选择器中， 站点选择器分别按照坐标距离、 海拔高度差以及地形相似度选择出与 各个目标分区相关的监测站点； 将所有监测站点的监测数据以及选择出的目标分区相关的监测站点的监测数据分别 输入到云模型中， 从所有监测站 点中确定出与目标分区相关的监测站点的监测数据分布最 相似的M个监测站点； 将通过云模型计算出的M个监测站点的监测数据输入到M ‑Transformer网络模型中， 并 将通过站点选择器选择出的目标分区相关的监测站点的监测数据作为网络模型训练时的 标签值进行训练； 利用在每个目标分区训练完成的M ‑Transformer网络模型， 对相应的目标分区的空气 污染物监测数据进行填补， 直至将整个目标地区的空气污染物监测数据填补完毕。 2.根据权利要求1所述的一种 多源异构空气污染物的空间插值方法， 其特征在于， 对地 形特征进 行预处理的过程包括对每个空气 污染物监测站 点的地形特征进 行编码， 采用二进 制编码将地形特征划分为多种类型。 3.根据权利要求1所述的一种 多源异构空气污染物的空间插值方法， 其特征在于， 所述 站点选择器分别按照坐标距离、 海拔高度差以及地形相似度选择出与各个目标分区相关的 监测站点包括为每一个目标分区分配一个站点选择器， 所述站点选择器分为距离选择器、 海拔选择器以及地形特征选择器， 采用距离选择器从所有空气 污染物监测站 点中选择出与 目标分区的坐标距离相近的一个或多个监测站 点； 采用海拔选择器 从所有空气 污染物监测 站点或从距离选择器选择出的多个监测站点中选择出与目标分区的海拔高度差相近的一 个或多个监测站 点； 采用地形特征选择器从所有空气 污染物监测站 点或从海拔选择器选择 出的多个监测站 点中选择出与目标分区的地形特征相似的一个或多个监测站 点； 将选择出 的多个监测站点中总体相似程度最靠前作为目标分区相关的监测站点。 4.根据权利要求1所述的一种 多源异构空气污染物的空间插值方法， 其特征在于， 所述 从所有监测站点中确定出与目标分区相关的监测站 点的监测数据分布最相似的M个监测站 点包括采用云模型将目标分区相关的监测站点的监测数据分别与所有监测站点的监测数 据进行一 一对比， 从所有监测站点中选择 出数据分布最相似的M个监测站点。 5.根据权利要求1所述的一种 多源异构空气污染物的空间插值方法， 其特征在于， 所述 将通过云模 型计算出的M个监测站点的监测数据输入到M ‑Transformer网络模 型中， 并将通 过站点选择器选择出的目标分区相关的监测站点的监测数据作为网络模型训练时的标签 值进行训练包括将云模 型计算出的每个监测站点的监测数据输入到M ‑Transformer网络模 型中对应的Transformer子模块中， 对M个Transformer子模块的输出结果采用注意力层进 行融合， 输出预测得到的目标分区的空气污染物监测数据； 将站点选择器选择出 的目标分 区相关的监测站点的监测数据作为M ‑Transformer网络模型训练时的标签值； 计算出预测权　利　要　求　书 1/2 页 2 CN 113887143 A 2得到的目标分区的空气污染物监测数据与作为标签值的选择出的目标分区相关的监测站 点的监测数据之间的平均绝对误差， 当该平均绝对误差趋于稳定时， 输出训练完成的M ‑ Transformer模型。 6.根据权利要求1所述的一种 多源异构空气污染物的空间插值方法， 其特征在于， 所述 利用训练完成出的M ‑Transformer网络模型， 对相应的目标分区的空气污染物监测数据进 行填补， 直至将整个目标地区的空气 污染物监测数据填补完毕包括对应每个缺少空气 污染 物监测站点的目标分区， 在该目标分区训练完成的M ‑Transformer网络模 型中， 输入 该目标 分区对应的M个监测站点的监测数据对应时间的监测数据， 预测得到该目标分区在对应时 间的空气污染物监测数据。 7.一种多源异构空气污染物的空间插值装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于获取目标地区所有空气污染物监测站点的监测数据、 位置坐标、 海 拔高度以及地形 特征； 数据预处 理模块， 用于对数据获取模块所获取的数据进行 预处理； 站点选择器， 用于接收各个缺少空气污染物监测站点的目标分区的中心位置坐标、 海 拔高度以及地形特征， 按照坐标距离、 海拔高度差以及地形相似度选择出与各个目标分区 相关的监测站点； 云模型处理器， 用于将所有监测站点的监测数据以及选择出的目标分区相关的监测 站 点的监测数据分别输入到云模型中， 从所有监测站 点中确定出与目标分区相关的监测站 点 的监测数据分布最相似的M个监测站点； M‑Transformer网络模型， 用于接收云模型计算出的M个监测站点的监测数据， 并将通 过站点选择器选择出的目标分区相关的监测站点的监测数据作为网络模型训练时的标签 值进行训练； 数据填补模块， 用于在每个目标分区训练完成的M ‑Transformer网络模型， 对相应的目 标分区的空气 污染物监测数据进 行填补， 直至将整个目标地区的空气 污染物监测数据填补 完毕。 8.一种计算机设备， 其特征在于， 所述计算机设备包括处理器和存储器， 所述存储器中 存储有至少一条计算机程序， 所述至少一条计算机程序由所述处理器加载并执行， 以实现 如权利要求1～7任一所述的一种多源异构空气污染物的空间插值方法。权　利　要　求　书 2/2 页 3 CN 113887143 A 3