基于时空图神经网络的PM2.5浓度时空变化预测方法及系统

1.一种基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，包括：获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、气象预报数据以及高程数据；确定单个样本的历史输入时长p和预测时长q；构建样本，包括时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间变量、最近气象站的气象数据，时刻t之后q小时的气象预报数据和时间变量；时刻t之后q小时的PM2.5浓度作为训练样本的标签；样本数据进行归一化处理后，形成训练样本集；使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W；构建基于时空图神经网络的预测模型；将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型，由样本数据集中选择样本，训练所述基于时空图神经网络的预测模型，直至输出的预测结果满足精度要求；采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间；进行归一化处理后输入所述基于时空图神经网络模型；所述基于时空图神经网络的预测模型输出各个站点预测结果，获取对应的PM2.5浓度预测值；所述基于时空图神经网络模型包括，第一GCLSTM网络、第二GCLSTM网络以及全连接层；所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据；所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征；所述第二GCLSTM网络的输出到所述全连接层，所述全连接层输出各个站点q个小时的预测结果。 2.根据权利要求1所述的基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，构建训练数据的步骤包括：检查所有数据的时间序列完整性，去除有缺失值和异常值的数据；从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量；使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W；遍历所有时间的数据，通过滚动时间窗截取数据：获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程，该大气监测站点在t之后q小时的PM 2.5 浓度，作为训练样本的标签；各个大气监测站点距离最近的气象站，获取时刻t之前p小时的气象观测数据，运行NWP得到时刻t之后q小时的气象预报数据；将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间变量、最近气象站的气象数据合并，形成数据维度为n×p×m1，n为站点数量，m1为历史输入特征个数；将时刻t之后q小时的气象预报数据和时间变量作为未来输入数据，数据维度为n×q×m2，m2为未来输入特征个数；输出维度为n×q×1，代表n个站点在未来q个时刻的PM 2.5 数值。 3.根据权利要求2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W，包括：将大气监测站点的经纬度转换为弧度；第i个和第j个大气监测站点之间的距离 为：其中（ , ）和（ , ）分别为第i个和第j个大气监测站点的弧度坐标；M ij 为邻接矩阵M的第i行第j列的数值；设定距离阈值S，距离 小于S，则M ij 为1，否则为0，得到邻接矩阵M；使用高斯核函数计算M ij 为1的大气监测站点之间边的权重W ij ，M ij 为0的大气监测站点之间边的权重W ij 为0，得到边的权重矩阵W;其中 为所有距离 的标准差，W ij 为权重矩阵W第i行第j列的数值。 4.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，大气污染物浓度监测历史数据包括PM 2.5 , PM 10 , O 3 , CO, NO 2 和SO 2 浓度监测历史数据；气象数据包括温度变化、湿度和风速；预测气象数据采用NWP获取的气象预报数据。 5.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练样本、验证样本和测试样本；训练步骤包括：选择训练样本对所述基于时空图神经网络模型，当满足训练要求后，进入验证步骤；验证步骤包括：选择验证样本输入所述基于时空图神经网络模型进行验证，计算模型精度，返回训练步骤，调整模型结构参数；比较不同模型结构参数对应的模型精度，选择模型精度最高的模型作为最优模型，选择最优模型固定模型结构参数；测试步骤包括：选择测试样本输入所述基于时空图神经网络模型进行测试，评价模型精度。 6.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法，其特征在于，计算决定系数R 2 、平均绝对误差MAPE和归一化均方根误差NRMSE作为模型精度评价指标：其中m为样本数量， 为第i个真实值， 为第i个预测值， 为真实值的均值。 7.一种基于时空图神经网络的PM2.5浓度时空变化预测系统，其特征在于，包括：数据获取模块，采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间；数据处理模块，对所述数据获取模块获取的数据进行归一化处理后输入预测模块；所述预测模块内置基于时空图神经网络模型，输出各个站点预测结果；后处理模块，基于所述预测结果获取对应的PM2.5浓度预测值；所述时空图神经网络模型的训练包括：获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据；确定单个样本的历史输入时长p和预测时长q；构建样本，包括时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、时刻t之后q小时的预测气象数据和时间；时刻t之后q小时的PM2.5浓度作为训练样本的标签；样本数据进行归一化处理后，形成训练样本集；使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W；将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型，由样本数据集中选择样本，训练所述基于时空图神经网络的预测模型，直至输出的预测结果满足精度要求；所述基于时空图神经网络模型包括，第一GCLSTM网络、第二GCLSTM网络以及全连接层；所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据；所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征；所述第二GCLSTM网络的输出到所述全连接层，所述全连接层输出各个站点q个小时的预测结果。 8.根据权利要求7所述的基于时空图神经网络的PM2.5浓度时空变化预测系统，其特征在于，构建训练数据包括：检查所有数据的时间序列完整性，去除有缺失值和异常值的数据；从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量；使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W；遍历所有时间的数据，通过滚动时间窗截取数据：获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程，该大气监测站点在t之后q小时的PM 2.5 浓度，作为训练样本的标签；各个大气监测站点距离最近的气象站，获取时刻t之前p小时的气象观测数据，运行NWP得到时刻t之后q小时的气象预报数据；将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据合并，形成数据维度为n×p×m1，n为站点数量，m1为历史输入特征个数；将时刻t之后q小时的气象预报数据和时间作为未来输入数据，数据维度为n×q×m2，m2为未来输入特征个数；输出维度为n×q×1，代表n个站点在未来q个时刻的PM 2.5 数值；使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W，包括：将大气监测站点的经纬度转换为弧度；第i个和第j个大气监测站点之间的距离 为：其中（ , ）和（ , ）分别为第i个和第j个大气监测站点的弧度坐标；M ij 为邻接矩阵M的第i行第j列的数值；设定距离阈值S，距离 小于S，则M ij 为1，否则为0，得到邻接矩阵M；使用高斯核函数计算M ij 为1的大气监测站点之间边的权重W ij ，M ij 为0的大气监测站点之间边的权重W ij 为0，得到边的权重矩阵W;其中 为所有距离 的标准差，W ij 为权重矩阵W第i行第j列的数值。