申请/专利权人：平安科技(深圳)有限公司

申请日：2018-11-13

公开（公告）日：2024-04-23

公开（公告）号：CN109685246B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2020.12.25#实质审查的生效;2019.04.26#公开

摘要：本发明涉及环境检测、数据分析、预测估值技术领域，本申请实施例提供的一种环境数据预估方法，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于第一预估模型和历史环境数据确定第一预估环境数据；耦合关键数据和第一预估环境数据，获得目标站点的第二预估环境数据。在本申请中在卷积神经网络基础上结合传统环境污染物预估模型，提高预测精度的同时，缩短预测的时间周期，同时得到环境污染物变化趋势也更为准确，提高了预估出的环境污染物的精度，方便对监测站点污染物变化做出快速的响应。

主权项：1.一种环境数据预估方法，其特征在于，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据，包括：获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值；将所述第一影响值和所述第二影响值输入卷积神经网络，获得影响目标站点环境数据的所述关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。

全文数据：环境数据预估方法、装置及存储介质、服务器技术领域本发明涉及环境检测、数据分析、预测估值技术领域，具体涉及一种环境数据预估方法、装置及存储介质、服务器。背景技术随着科学技术的发展，国家以及社会个人都越来越重视对环境的保护，因此，投入较多物资和人资用于环境污染物的检测。相关技术中，常常采用的环境污染预测模型大多只对单一监测站点的数据进行预测，得到被监测的单一站点污染物的变化趋势；或者仅是简单地计算附近站点对监测站点污染物变化趋势的影响，前述的计算法方式，不能很好地反映空间信息对目标监测站点的影响。另外，传统的数值模型可以综合地考虑空间信息对目标监测点的影响，给出较准确的变化趋势预测，但传统的数值模型很难给出短期变化的预测，其常用于较长周期内污染物值的变化，在周期缩短时，如针对小时级别的周期，传统的数值模型需要消耗巨大的算力，难以实现。发明内容为克服以上技术问题，特别是通现有环境污染预测模型只对单一监测站点进行预测，对周边站点对目标站点污染物影响计算简单，且传统预测模型预测周期长的问题，特提出以下技术方案：本发明实施例提供的一种环境数据预估方法，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。可选地，所述耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据，包括：通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。可选地，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值；基于所述影响值提取影响目标站点环境数据的关键数据。可选地，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值，包括：获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值。可选地，所述基于所述影响值提取影响目标站点环境数据的关键数据，包括：将所述第一影响值和所述第二影响值输入卷积神经网络，获得影响目标站点环境数据的所述关键数据。可选地，通过卷积神经网络获取所述环境数据。可选地，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，包括：依据预设环境数据获取时间周期获取目标站点以及目标站点预设范围内每个站点的所述环境数据。本申请实施例提供的一种环境数据预估装置，包括：关键数据提取模块，用于获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；第一预估环境数据确定模块，用于获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合模块，用于耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。可选地，所述耦合模块包括：耦合单元，用于通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；卷积神经计算单元，用于将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现任一技术方案所述的环境数据预估方法。本发明实施例还提供了一种服务器，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据任一技术方案所述的环境数据预估方法的步骤。本发明实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现任一技术方案所述的环境数据预估方法。本发明实施例中还提供了一种服务器包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据任一技术方案所述的环境数据预估方法。本发明与现有技术相比，具有以下有益效果：1、本申请实施例提供的一种环境数据预估方法，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。在本申请中通过在卷积神经网络的基础上结合注意力机制和传统的环境污染物预估模型如数值模型、RNN模型、Sequence2Sequence等，将对环境污染物变化趋势的预估时间缩短，提高预测精度的同时，缩短预测的时间周期，同时得到环境污染物变化趋势也更为准确，进而提高了预估出的环境污染物的精度，以便于对监测站点环境污染物做出更为快速的响应。2、本申请实施例提供的一种环境数据预估方法，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值，包括：获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值。在本申请中，不仅仅考虑目标站点周边站点对目标站点环境的影响，还考虑了目标站点自身环境数据对相关污染物的影响，采集到的影响目标站点污染物的因素更为全面，也使得到的预测结果更为精确，且此过程中，采用卷积神经模块单独提取周围每个站点的影响，并结合站点间的相关性分析，在计算过程中，增加了更多的影响目标站点的因素，综合计算对目标站点的影响力，更准确地使用空间信息进行预测，使得计算出的目标站点的环境污染物更为准确。本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明本发明上述的和或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本发明环境数据预估方法的典型实施例中一种实施方式的流程示意图；图2为本发明环境数据预估方法中空洞卷积方式的TCN网络结构示意图；图3为本发明环境数据预估方法的典型实施例中又一种实施方式的流程示意图；图4为本发明环境数据预估装置的典型实施例的结构示意图；图5为本发明服务器的一实施例结构示意图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语包括技术术语和科学术语，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作系统或平台所限制。理所当然地，此类概念也不受任何形式的终端所限制。本申请实施例提供的一种环境数据预估方法主要应用于环境污染物监测系统中的环境污染物预测模型中，在该模型中包括了卷积神经模块、注意力机制模块以及传统的环境污染物预测模块，其中，环境污染物预测模块作为整个环境污染物预测模型的中间输入，以实现多种预测结果叠加，进一步提高整个预测模型的精度。本申请实施例主要通过卷积神经模块和注意力机制模块中的卷积神经网络和注意力机制实现本申请的环境数据预估方法。本申请实施例提供的一种环境数据预估方法，如图1所示，包括：S100、S200、S300。S100：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；S200：获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；S300：耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。本申请的实施例中，为了能够更为准确的预测目标站点环境污染物的情况。获取目标站点和目标站点预设范围内每个站点的环境数据，如后文所述，环境数据包括：污染物数据、气象数据。污染物数据包括：PM2.5、PM10、O3、NO2、SO2、CO等，气象数据包括：温度、气压、相对湿度、风速、风向、天气状况等气象数据。预设范围有监测人员设置。将前述环境数据输入卷积神经网络，以目标站点的环境数据为基础，提取影响目标站点的关键数据。使用卷积神经网络在时序上对目标站点周围每个站点以及目标站点进行特征提取，即提取环境数据，特别地，使用空洞卷积的方式获取更宽的时间感受野，以获取全面的时间维度信息。之后，通过softmax层获得周围站点的环境数据对目标站点不同环境信息的影响力。例如，假设有A、B、C、D四个站点，A为目标站点。通过卷积模块分别在B、C、D的污染物值及在空间特征上进行特征提取特征如污染物含量、温度、气压、风流、天气状况等，获取目标站点不同特征对A站点的影响力如B站点温度变化对A站点影响更大，而C站点的风速对A站点影响力更大，同时通过卷积模块对A站点环境数据进行计算，获取A站点环境数据对目标污染物的影响力，基于B、C、D站点对A站点的影响力以及A站点自身的环境数据，提取其中的关键数据。具体过程详见后文，在此不做赘述。为了能够更为准确的预估目标站点污染物值变化状况。获取第一预估模型，该模型可以综合地考虑空间信息对目标监测点的影响，给出较为准确的目标站点长期的污染物变化趋势，第一预估模型可以包括数值模型、RNN模型、Sequence2Sequence模型中的一种或者多种。将前述所有站点的全部历史环境数据输入所述第一预估模型中，获得第一预估环境数据。在采用Sequence2Sequence模型时，第一预估环境数据的运算过程可如下：假设第一预估环境数据为此阶段主要任务为预测未来的Y矩阵。使用Xi来作为第二预估模型输入：其中X为过去站点的全部统计信息历史环境数据。由于X具有不同的性质，其空间性与时间性各不相同，如PM2.5与NO和SO2的信息有密切联系，这是时间相关性；同时，不同站点之间也有关联，这是空间相关性。因此，使用空间attention机制来对此相关性进行建模。将X输入一个LSTM模块中，输出h和s两个向量，然后由下列计算公式计算attention参数：其中vl、bl、Wl和Ul是待学习的参数。即为attention系数。最终的输入如下所示：同样的可以算出全局attention参数。将全局attention参数计算出来后，最终的特征为：其中，为全局attention系数。获得局部attention特征与全局attention特征后，采用空间attention操作得到空间attenttion特征：其中Wd、和vd、bd为可学习得参数。C为全局attention的输出特征向量。得到c后，将局部attention特征与全局attention拼接，与一起输入到自编码-解码模型中得到最终预测结果。编码-解码模型为一系列LSTM的堆叠，将信息输入进编码模型后，解码模型输出最终的第一预估环境预测值P。需要说明的是，关键数据提取过程与第一预估环境数据确定过程不分先后，也就是两个过程可以同时进行，也可以先进性关键数据的提取在进行第一预估环境数据确定过程，或者两个过程对调。将预测出更为准确的目标站点环境中污染物的变换趋势，将周期较长的长期数据第一预估环境数据和短期数据关键数据进行耦合叠加，进而得到目标站点的第二预估环境数据。具体的，通过注意力机制进行耦合，并将耦合的数据输入卷积神经网络中，获得第二预估环境数据。在运算过程中，使用传统的环境污染物预测模型如数值模型、RNN模型、Sequence2Sequence模型的预测结果作为卷积神经网络的中间输入，叠加由卷积网络提取的局部突变特征，结合了传统模型对变化趋势的预测准确性及卷积网络对局部特征的提取优势，进一步地提高了环境污染物的预测精度。进一步地，在前述的基础之后，为了能够更为直观确定目标监测站点环境数据可能出现的变化状况，以便以基于该变化状况提前预备相应响应措施，因此，在获取到第二预估环境数据之后，还可以进行如下过程：获取预置时间段各时间周期的各第二预估环境数据，生成目标监测站点预估曲线，输出目标监测站点预估曲线，将该曲线显示在显示界面上，以便于能够通过该曲线了解目标监测站点环境污染物的走势。可选地，所述耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据，包括：通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。将前述的关键信息和第一预估环境数据带入注意力机制中进行耦合，在通过卷积神经网络确定目标站点的第二预估环境数据。具体的，以第一预估模型的预测结果和前述由卷积神经网络提取到的关键数据即目标站点及周围每个站点的环境数据作为卷积神经网络提取的新特征，将两者合并在一起得到本申请中目标站点的第二预估环境数据。第一预估模型预测的第一预估环境数据是作为确定第二预估环境数据的中间输入。通过结合第一预估模型对变化趋势的预测准确性及卷积网络对局部特征的提取优势，进一步地提高了预测模型预测的精度，使得本申请中目标站点的预估环境信息更具备可靠性。在具体的实施过程中，结合前后文提取出的关键数据即数据H，其从卷积神经网络的隐藏层输出，将H与Sequence2Sequence模型可以是RNN模型，也可以是数值模型对后文中目标污染物如PM2.5的预测结果P前述第一预估数据通过attention的形式进行耦合，其中先将H和P进行耦合计算，在依次H和P通过Matmul、Scale、Maskopt.、Softmask算之后得到的值，再将该值和H输入Matmul中进行计算，得到H和P耦合后的耦合数据。将该耦合数据送入卷积神经模块进行特征提取，并连接dense层后作为预测输出得到本申请的第二预估环境数据。可选地，在其中一种实施方式中，如图3所示，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据，包括：S110:获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值；S120:基于所述影响值提取影响目标站点环境数据的关键数据。结合前文的概述，为了准确地预估目标站点的环境数据，在本申请的运算过程，均应用了卷积神经网络进行运算。因此，在此过程中，在获取到目标站点以及目标站点周围每个站点的环境数据之后，先通过卷积神经计算各个站点环境数据对目标站点环境数据的影响值，进而便于依据影响值提取影响目标站点环境数据的关键数据，如前述在B站点温度变化对A站点影响更大，而C站点的风速对A站点影响力更大时，则在通过卷积神经提取关键数据时，需要着重考虑B站点温度的变化、C站点的风速变化。在运算过程中，由于通过卷积神经网络得到的各站点影响对目标站点环境数据的环境数据，为了能够实现多个类型环境信息叠加提高环境监测的精度，在本申请中还需要基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值提取出关键数据。在其中一种实施方式中，本申请以attention的形式将周围站点的影响引入卷积神经模块中确定目标站点变化趋势；即基于AttentionModel提取所述环境数据中的关键数据，如前述的站点检测范围内空气污染物值如PM2.5、一氧化碳、二氧化硫、氮氧化物和碳氢化合物，天气信息如温度、湿度、风速、气压等和或水流中的污染物值等中的一种或者多种。attentionmodel主要目标是为了获得不同污染物相关信息的不同的影响权重，提取污染物中的重点信息，提高预测的准确性。这一部分神经网络包含了两个部分：时间卷积网络TCN作为污染物信息的特征提取，跟随softmax层作为污染物特征的attention矩阵的输出；原始的污染物信息与attention矩阵的element-wise的相乘单元。通过上述步骤操作获取本站点输入的污染物的重要信息。In_X表示当前站点污染物的输入。AttentionIn_X＝softmaxEIn_X⊙In_X其中，AttentionIn_X表明当前站点污染物信息经过attention之后的输出；E表明时间卷积网络对输入污染物信息进行隐含特征提取的操作；softmax表示将输入的特征维度归一化到[0,1]的范围；⊙表示element-wise相乘。使用空洞卷积方式的TCN网络结构如图2所示，其主要优点在于经过多次dilation之后，卷积的感受野会成倍增加，使得模型可以学习到更多的历史信息，提高模型的学习能力。将获取到影响力localattention和globalattention的特征信息进行合并详见后文示例，并送入CNN卷积神经模型进行特征提取，获取隐藏层输出H如图中output的输出，其代表了从历史时间、空间信息中抽象出的影响力因素如前述的B站点的温度、C站点的风速等，在提取过程中并不会限制于B站点的温度、C站点的风速，还需结合各个站点其他的环境数据进行关键数据的提取，也就是说，B站点的温度对A站点影响力较大，在提取B站点温度之后，还可能提取B站点的风速等其他的环境数据。可选地，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值，包括：获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值。在预估站点的环境数据时，还需要考虑各个站点自身环境数据对自身各环境数据的影响。因此，在进行具体的污染物值预估的过程中，分别以各污染物作为目标污染物，检测目标站点自身所有污染物数据以及气象数据对目标污染物数据的影响，如：我们将目标站点的污染物信息PM2.5浓度加上六种气象信息共7个特征值作为卷积神经网络输入，送入卷积神经网络模块进行特征提取。之后通过注意力机制模块，获取这7种特征对目标污染物PM2.5未来变化趋势的影响大小。经过该过程得到了目标站点7种特征值对目标污染物的影响力大小，这部分称为前述的localattention，其为本申请中的第一影响值。更进一步地，在确定周边站点的环境数据对目标站点的环境数据的影响力时，还需要考虑目标站点与周边站点的相关性。站点之间的相关性为广义的相关性，不止与距离有关，也与采集的环境信息趋势有关。站点的距离越近采集到的环境信息越接近，则认为站点的相关性越高。相关性分为两部分，一个是周围站点与目标站点之间的距离，其与站点间相关性成反比，距离越远，影响越小。但仅用距离作为相关性判断依据并不准确，如两站点地理位置十分相近，但被高山隔断，则其相关性就会很低。因此，同时使用了站点间由环境因素计算出的线性相关系数DTW动态时间规划作为相关性判断的第二依据。公式如下：分母中的K主要是用来对不同的长度的规整路径做补偿。集合前述示例，假设目标站点周边有34个站点，将剩下的34个站点的PM2.5浓度加上相应站点的气象信息作为卷积神经网络输入，送入卷积神经模块进行特征提取。之后，同样通过注意力机制模块，并结合这34个站点与目标站点之间的相关性大小包括距离因素及线性相关度，获取34个站点的不同特征对目标污染物的贡献度即影响力attention。通过该过程得到了余下34个站点不同特征对目标站点PM2.5的影响力大小，这部分称为前述的globalattention，其为本申请中的第二影响值。globalattention不仅可以反映不同站点的影响力，还可以具体到该站点的主要影响特征，如前述B站点温度变化对目标站点影响更大，而C站点的风速对目标站点影响力更大。采用前述的卷积神经模块单独提取周围每个站点的影响，并结合站点间的相关性分析，在计算过程中，增加了更多的影响目标站点的因素，综合计算对目标站点的影响力，更准确地使用空间信息进行预测，使得计算出的目标站点的环境污染物更为准确。可选地，所述基于所述影响值提取影响目标站点环境数据的关键数据，包括：将所述第一影响值和所述第二影响值输入卷积神经网络，获得影响目标站点环境数据的所述关键数据。我们将第一影响值和第二影响值进行合并，并送入卷积神经模型进行特征提取，获取隐藏层输出H如图2中的output输出的结果，其代表了从历史时间、空间信息中抽象出的影响力因素。可选地，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，包括：依据预设环境数据获取时间周期获取目标站点以及目标站点预设范围内每个站点的所述环境数据。进一步地，为了使得检测结果更具时效性和准确定性，用户可以设置获取目标站点周围每个站点的环境信息和获取环境数据的时间周期，例如，该周期可以为一个小时，也可以为一天或者一天的中的几个监测时段，如：设置一天中00:00分到5:00分、15:00分到17:00分、20:00分到11:00分三个时间段作为检测的时间段。基于预设时间周期获取的环境数据进行目标站点环境数据的预估。优选地，还可以依据不同地区或者不同季节设置不同的时间周期，以使得预估环境信息更符合当地的情况，进而更准确地预测出对环境影响较大的污染物。本申请实施例提供的一种环境数据预估装置，在其中一种实施方式中，如图4所示，包括：关键数据提取模块100、第一预估环境数据确定模块200、耦合模块300。关键数据提取模块100，用于获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；第一预估环境数据确定模块200，用于获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合模块300，用于耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。进一步地，如图4所示，本发明实施例中提供的一种环境数据预估装置还包括：耦合单元310，用于通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；卷积神经计算单元320，用于将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。影响值确定单元110，用于获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值；关键数据提取单元120，用于基于所述影响值提取影响目标站点环境数据的关键数据。第一环境数据获取单元111，用于获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；第一影响值确定单元112，用于基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；第二影响值确定单元113，用于基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值。关键数据获得单元121，用于将所述第一影响值和所述第二影响值输入卷积神经网络，获得影响目标站点环境数据的所述关键数据。第二环境数据获取单元130，用于依据预设环境数据获取时间周期获取目标站点以及目标站点预设范围内每个站点的所述环境数据。本发明实施例提供的一种环境数据预估装置可以实现上述环境数据预估方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现任一项技术方案所述的环境数据预估方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘包括软盘、硬盘、光盘、CD-ROM、和磁光盘、ROMRead-OnlyMemory，只读存储器、RAMRandomAcceSSMemory，随即存储器、EPROMEraSableProgrammableRead-OnlyMemory，可擦写可编程只读存储器、EEPROMElectricallyEraSableProgrammableRead-OnlyMemory，电可擦可编程只读存储器、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备例如，计算机、手机以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。本发明实施例提供的一种计算机可读存储介质，可实现上述环境数据预估方法的实施例，在本申请中通过在卷积神经网络的基础上结合注意力机制和传统的环境污染物预估模型如数值模型、RNN模型、Sequence2Sequence等，将对环境污染物变化趋势的预估时间缩短，同时得到环境污染物变化趋势也更为准确，进而提高了预估出的环境污染物的精度；本申请实施例提供的一种环境数据预估方法，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。本申请的实施例中，为了能够更为准确的预测目标站点环境污染物的情况。获取目标站点和目标站点预设范围内每个站点的环境数据，如后文所述，环境数据包括：污染物数据、气象数据。污染物数据包括：PM2.5、PM10、O3、NO2、SO2、CO等，气象数据包括：温度、气压、相对湿度、风速、风向、天气状况等气象数据。预设范围有监测人员设置。将前述环境数据输入卷积神经网络，以目标站点的环境数据为基础，提取影响目标站点的关键数据。使用卷积神经网络在时序上对目标站点周围每个站点以及目标站点进行特征提取，即提取环境数据，特别地，使用空洞卷积的方式获取更宽的时间感受野，以获取全面的时间维度信息。之后，通过softmax层获得周围站点的环境数据对目标站点不同环境信息的影响力。为了能够更为准确的预估目标站点污染物值变化状况。获取第一预估模型，该模型可以综合地考虑空间信息对目标监测点的影响，给出较为准确的目标站点长期的污染物变化趋势，第一预估模型可以包括数值模型、RNN模型、Sequence2Sequence模型中的一种或者多种。将前述所有站点的全部历史环境数据输入所述第一预估模型中，获得第一预估环境数据。需要说明的是，关键数据提取过程与第一预估环境数据确定过程不分先后，也就是两个过程可以同时进行，也可以先进性关键数据的提取在进行第一预估环境数据确定过程，或者两个过程对调。将预测出更为准确的目标站点环境中污染物的变换趋势，将周期较长的长期数据第一预估环境数据和短期数据关键数据进行耦合叠加，进而得到目标站点的第二预估环境数据。具体的，通过注意力机制进行耦合，并将耦合的数据输入卷积神经网络中，获得第二预估环境数据。此外，在又一种实施例中，本发明还提供一种服务器，如图5所示，所述服务器处理器503、存储器505、输入单元507以及显示单元509等器件。本领域技术人员可以理解，图5示出的结构器件并不构成对所有服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器505可用于存储应用程序501以及各功能模块，处理器503运行存储在存储器505的应用程序501，从而执行设备的各种功能应用以及数据处理。存储器505可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器ROM、可编程ROMPROM、电可编程ROMEPROM、电可擦写可编程ROMEEPROM、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器505只作为例子而非作为限定。输入单元507用于接收信号的输入，以及用户输入的站点信息。输入单元507可包括触控面板以及其它输入设备。触控面板可收集客户在其上或附近的触摸操作比如客户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键比如播放控制按键、开关按键等、轨迹球、鼠标、操作杆等中的一种或多种。显示单元509可用于显示客户输入的信息或提供给客户的信息以及计算机设备的各种菜单。显示单元509可采用液晶显示器、有机发光二极管等形式。处理器503是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器503内的软件程序和或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。图5中所示的一个或多个处理器503能够执行、实现图4中所示的关键数据提取模块100的功能、第一预估环境数据确定模块200的功能、耦合模块300的功能、耦合单元310的功能、卷积神经计算单元320的功能、影响值确定单元110的功能、关键数据提取单元120的功能、第一环境数据获取单元111的功能、第一影响值确定单元112的功能、第二影响值确定单元113的功能、关键数据获得单元121的功能、第二环境数据获取单元130的功能。在一种实施方式中，所述服务器包括一个或多个处理器503，以及一个或多个存储器505，一个或多个应用程序501，其中所述一个或多个应用程序501被存储在存储器505中并被配置为由所述一个或多个处理器503执行，所述一个或多个应用程序301配置用于执行以上实施例所述的环境数据预估方法。本发明实施例提供的一种服务器，可实现上述环境数据预估方法的实施例，在本申请中通过在卷积神经网络的基础上结合注意力机制和传统的环境污染物预估模型如数值模型、RNN模型、Sequence2Sequence等，将对环境污染物变化趋势的预估时间缩短，同时得到环境污染物变化趋势也更为准确，进而提高了预估出的环境污染物的精度；本申请实施例提供的一种环境数据预估方法，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。本申请的实施例中，为了能够更为准确的预测目标站点环境污染物的情况。获取目标站点和目标站点预设范围内每个站点的环境数据，如后文所述，环境数据包括：污染物数据、气象数据。污染物数据包括：PM2.5、PM10、O3、NO2、SO2、CO等，气象数据包括：温度、气压、相对湿度、风速、风向、天气状况等气象数据。预设范围有监测人员设置。将前述环境数据输入卷积神经网络，以目标站点的环境数据为基础，提取影响目标站点的关键数据。使用卷积神经网络在时序上对目标站点周围每个站点以及目标站点进行特征提取，即提取环境数据，特别地，使用空洞卷积的方式获取更宽的时间感受野，以获取全面的时间维度信息。之后，通过softmax层获得周围站点的环境数据对目标站点不同环境信息的影响力。为了能够更为准确的预估目标站点污染物值变化状况。获取第一预估模型，该模型可以综合地考虑空间信息对目标监测点的影响，给出较为准确的目标站点长期的污染物变化趋势，第一预估模型可以包括数值模型、RNN模型、Sequence2Sequence模型中的一种或者多种。将前述所有站点的全部历史环境数据输入所述第一预估模型中，获得第一预估环境数据。需要说明的是，关键数据提取过程与第一预估环境数据确定过程不分先后，也就是两个过程可以同时进行，也可以先进性关键数据的提取在进行第一预估环境数据确定过程，或者两个过程对调。将预测出更为准确的目标站点环境中污染物的变换趋势，将周期较长的长期数据第一预估环境数据和短期数据关键数据进行耦合叠加，进而得到目标站点的第二预估环境数据。具体的，通过注意力机制进行耦合，并将耦合的数据输入卷积神经网络中，获得第二预估环境数据。本发明实施例提供的服务器可以实现上述提供的环境数据预估方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种环境数据预估方法，其特征在于，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。2.根据权利要求1所述的环境数据预估方法，其特征在于，所述耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据，包括：通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。3.根据权利要求1所述的环境数据预估方法，其特征在于，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据，包括：获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值；基于所述影响值提取影响目标站点环境数据的关键数据。4.根据权利要求3所述的环境数据预估方法，其特征在于，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络确定每个站点的所述环境数据对目标站点的所述环境数据的影响值，包括：获取目标站点以及目标站点预设范围内每个站点的所述环境数据，所述环境数据包括气象数据和至少一种污染物的污染物数据；基于目标站点的所述气象数据、目标污染物的污染物数据和注意机制确定目标站点的所述环境数据对目标污染物的第一影响值；基于预设范围内每个站点的所述气象数据、目标污染物的污染物数据、目标站点与所述每个站点之间的相关性、注意机制确定所述每个站点对目标站点的目标污染物的第二影响值。5.根据权利要求4所述的环境数据预估方法，其特征在于，所述基于所述影响值提取影响目标站点环境数据的关键数据，包括：将所述第一影响值和所述第二影响值输入卷积神经网络，获得影响目标站点环境数据的所述关键数据。6.根据权利要求1至5任一项所述的环境数据预估方法，其特征在于，所述获取目标站点以及目标站点预设范围内每个站点的环境数据，包括：依据预设环境数据获取时间周期获取目标站点以及目标站点预设范围内每个站点的所述环境数据。7.一种环境数据预估装置，其特征在于，包括：关键数据提取模块，用于获取目标站点以及目标站点预设范围内每个站点的环境数据，基于卷积神经网络和所述环境数据提取影响目标站点的关键数据；第一预估环境数据确定模块，用于获取第一预估模型和目标站点以及目标站点预设范围内每个站点的历史环境数据，基于所述第一预估模型和所述历史环境数据确定第一预估环境数据；耦合模块，用于耦合所述关键数据和所述第一预估环境数据，获得所述目标站点的第二预估环境数据。8.根据权利要求7所述的环境数据预估装置，其特征在于，所述耦合模块包括：耦合单元，用于通过注意力机制耦合所述关键数据和所述第一预估环境数据，获得耦合数据；卷积神经计算单元，用于将所述耦合数据输入卷积神经网络进行运算，获得所述第二预估环境数据。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现权利要求1至6任一项所述的环境数据预估方法。10.一种服务器，其特征在于，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据权利要求1至6任一项所述的环境数据预估方法的步骤。

百度查询： 平安科技(深圳)有限公司 环境数据预估方法、装置及存储介质、服务器

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD