申请/专利权人:浙江大学
申请日:2022-11-28
公开(公告)日:2023-03-14
公开(公告)号:CN115796359A
主分类号:G06Q10/04
分类号:G06Q10/04;G06Q50/26;G06N3/0455;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.03.31#实质审查的生效;2023.03.14#公开
摘要:本发明公开了一种基于深度Koopman算符的PM2.5时空预测方法,属于地理信息技术GIS领域。该方法针对海量PM2.5监测数据,基于Koopman算符,融合图嵌入方法以及编码器‑解码器,构建Koopman线性不变子空间映射网络,利用深度学习实现时空动力系统内在模式表征,从而进行动力系统的重构,可实现PM2.5站点浓度的小时级预测。本发明能够实现PM2.5站点浓度的时空预测,在大气环境监测、智慧城市发展等领域具有重要的意义。
主权项:1.一种基于深度Koopman算符的PM2.5时空预测方法,其特征在于它的步骤如下:S1、获取目标区域内的PM2.5监测站点历史数据集,并将PM2.5监测站点的历史PM2.5监测数据编码为时间序列格式,从而获得每个PM2.5监测站点对应的PM2.5浓度时间序列,对各PM2.5浓度时间序列进行预处理,使序列中的数据在时间上连续,从而得到历史序列数据集;S2、构建深度学习网络,所述深度学习网络包括空间信息嵌入模块、第一状态空间映射模块、线性动力学预测模块和第二状态空间映射模块;所述深度学习网络的网络输入为目标区域内不同PM2.5监测站点的PM2.5浓度时间序列;所述空间信息嵌入模块用于通过图嵌入方法对网络输入进行空间信息嵌入,使PM2.5监测站点之间形成空间关联,得到图嵌入结果;所述第一状态空间映射模块用于通过编码器将图嵌入结果由非线性状态空间转换到线性相空间;所述线性动力学预测模块中设有两层用于近似表示Koopman算符的线性层,第一线性层用于在前向推演过程中基于编码器的编码结果进行线性空间下的下一步状态预测,第二线性层用于在逆向推演过程中基于编码器的编码结果进行线性空间下的上一步状态预测,两个线性层中均只包含权重而不包含偏置;所述第二状态空间映射模块用于通过解码器将下一步状态预测从线性相空间转换回原始的非线性状态空间,得到未来时刻PM2.5的预测结果;S3、利用所述历史序列数据集对所述深度学习网络进行训练,并对所述深度学习网络中的超参数进行调整,获得空气污染物浓度预测模型;S4.获取目标区域内待测监测站点的历史PM2.5浓度时间序列,并将其输入到所述空气污染物浓度预测模型中,得到未来时刻的PM2.5浓度预测值。
全文数据:
权利要求:
百度查询: 浙江大学 基于深度Koopman算符的PM2.5时空预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。