(19)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 202211300871.6 (22)申请日 2022.10.24 (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 张晓霞　关俊生　王国胤　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王海军 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/11(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G01N 15/06(2006.01)G01N 33/00(2006.01) (54)发明名称 一种基于数据驱动探索的空气污染物浓度 预测方法及系统 (57)摘要 本发明属于空气质量监测技术领域， 具体涉 及一种基于数据驱动探索 的空气污染物浓度预 测方法及系统； 该方法包括： 采集空气质量数据 并对其进行预处理； 采用深度神经网络对预处理 后的空气质量数据进行数据拟合， 并对数据拟合 结果进行自动微分， 得到影响因素微分项； 根据 影响因素微分项构建候选函数库； 根据候选函数 库中的函数项构建控制方程模型； 获取待预测时 间段的气象因子数据并将其输入到控制方程模 型中， 得到空气污染物浓度预测结果； 本发明预 测精度高， 其可解释性良好， 实用性高。 权利要求书2页 说明书8页 附图1页 CN 115510763 A 2022.12.23 CN 115510763 A 1.一种基于数据驱动探索的空气污染物浓度预测方法， 其特 征在于， 包括： S1： 采集空气质量数据并对其进行预处理， 空气质量数据包括空气污染物浓度数据和 气象因子数据； S2： 采用深度神经网络对预处理后的空气质量数据进行数据拟合， 并对数据拟合结果 进行自动微分， 得到影响因素微分项； S3： 根据影响因素微分项构建候选函数库； S4： 根据候选函数库中的函数项构建控制方程模型； S5： 获取待预测时间段的气象因子数据并将其输入到控制方程模型中， 得到空气污染 物浓度预测结果。 2.根据权利要求1所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 对空气质量数据进行 预处理的过程包括： S11： 对气象因子数据进行坐标变换， 得到坐标变换后的气象因子数据； S12： 采用卡尔曼 滤波对空气污染物浓度数据进行平 滑去噪处 理。 3.根据权利要求1所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 得到影响因素微分项的过程包括： 将深度神经网络作为空气污染物浓度的逼近函数 并对空气质量数据进行数据拟合， 定义拟合损失函数， 根据拟合损失函数进行神经网络反 向传输并对数据拟合结果进行自动微分， 得到影响因素微分项。 4.根据权利要求3所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 拟合损失函数为： 其中， Ld( δ； Du)表示拟合损失函数， xi表示每种气象因子的第i个数据， ti表示ti时刻， δ 表示神经网络第一优化参数， N表示数据点个数； 表示输入神经网络的数据 点， u(xi,ti)表示输入神经网络的第i个数据点， NN(xi,ti； δ )表示神经网络训练后拟合的第 i个数据点。 5.根据权利要求1所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 构建控制方程模型的过程包括： S41： 删除候选函数库中的一个函数项， 计算删除前后空气污染物浓度关于时间的导 数， 并根据删除前后空气污染物浓度关于时间的导数计算第一均方误差； S42： 重复步骤41， 直到所有函数项均被计算过， 选择均方误差最大的一项作为控制方 程第一项； S43： 增加函数库中剩下的函数项中的一项， 计算增加前后空气污染物浓度关于时间的 导数， 并根据增 加前后空气污染物浓度关于时间的导数计算第二均方误差； S44： 重复步骤43， 直到所有函数项均被 计算过； S45： 设置超参数ε； 根据第二均方误差值以其从小到大的顺序依次将对应的函数项加 入到控制方程， 直到加入函数项后的第二均方误差大于超参数 ε， 得到初始控制方程； S46： 构建总损失函数， 计算使得总损失值最小 的优化参数， 将优化参数代入初始控制 方程， 得到中间控制方程模型；权　利　要　求　书 1/2 页 2 CN 115510763 A 2S47： 采用链式法则对空气质量数据进行处理， 得到还原的控制方程参数； 根据还原的 控制方程 参数对中间控制方程模型进行处 理， 得到完整的控制方程模型。 6.根据权利要求5所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 总损失函数为： L( δ, θ,Λ； Du,Dc)＝Ld( δ； Du)+α Lp( θ,Λ； Dc)+β ||Λ||0 其中， L( δ, θ,Λ； Du,Dc)表示总损失， Ld( δ； Du)表示拟合损失， Lp( θ,Λ； Dc)表示学习损 失， α 表示相对权重， β 表示正则参数， Λ表 示方程的系数矩阵； δ， θ 分别表 示神经网络第一优 化参数和第二优化参 数， Du表示输入神经网络的数据点， Dc表示神经网络拟合后的数据点， | |·||0表示0范数。 7.根据权利要求5所述的一种基于数据驱动探索的空气污染物浓度预测方法， 其特征 在于， 采用链式法则对空气质量数据进行处 理的公式为： 其中， U表示神经网络拟合后的空气污染物浓度， τ表示坐标变换后的时间变量， t表示 原时间变量， σ(t)表示原时间变量的标准差， ξ表 示坐标变换后的气象因子数据， x表示原气 象因子数据， σ(x)表示原气象因子数据的标准差， Ut表示污染物浓度对原时间变量的微分， Uτ表示污染物浓度对坐标变换后的时间变量的微分， Ux表示污染物浓度对原气象因子变量 的微分， Uξ表示污染物浓度对坐标变换后的气象因子变量的微分， Uxx表示污染物浓度对原 气象因子变量的二阶微分， Uξ ξ表示污染物浓度对坐标变换后的气象因子变量的二阶微分。 8.一种基于数据驱动探索的空气污染物浓度 预测系统， 其特征在于， 包括： 数据采集模 块、 数据预处 理模块、 数据拟合模块、 函数库构建模块、 控制方程构建模块以及预测模块； 所述数据采集模块用于采集空气质量数据； 所述数据 预处理模块用于对空气质量数据进行坐标变换和平滑去噪处理， 得到预处理 后的空气质量数据； 所述数据拟合模块用于采用神经网络对空气质量数据进行数据拟合和自动 微分处理， 得到影响因素微分项； 所述函数库构建模块用于根据影响因素微分项构建候选函数库； 所述控制方程构建模块用于根据候选函数库构建控制方程模型； 所述预测模块用于采集待预测时间段的气象因子数据并将其输入到控制方程模型中， 得到空气污染物浓度预测结果。权　利　要　求　书 2/2 页 3 CN 115510763 A 3