(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 202111417117.6 (22)申请日 2021.11.25 (71)申请人 深圳中兴网信科技有限公司 地址 518109 广东省深圳市龙华区民治街 道北站社区汇隆商务中心 2号楼2801 (72)发明人 廖海斌　许文龙　曾志辉　邢军华　 胡建林　 (74)专利代理 机构 北京友联知识产权代理事务 所(普通合伙) 11343 代理人 王淑梅　尚志峰 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 基于多粒度图时空神经网络的污染物浓度 预测方法及装置 (57)摘要 本发明提供了一种基于多粒度图时空神经 网络的污染物浓度预测方法及装置。 污染物浓度 预测方法包括构建基于多粒度图时空神经网络 的污染物浓度预测模型； 训练基于多粒度图时空 神经网络的污染物浓度预测模型； 获取多个大气 监测站点的第一时长内的历史污染物浓度值、 历 史气象参数和未来第二时长内的未来气象参数； 将历史污染物浓度值、 历史气象参数和未来气象 参数输入至训练后的基于多粒度图时空神经网 络的污染物浓度预测模型， 得到多个大气监测站 点的未来第二时长内的未来污染物浓度值。 本发 明技术方案充分利用大气监测站点之间的动态 空间关系进行大气监测站点污染物浓度预测， 提 高污染物浓度预测值的准确度。 权利要求书5页 说明书21页 附图5页 CN 114154702 A 2022.03.08 CN 114154702 A 1.一种基于多粒度图时空神经网络的污染物浓度预测方法， 其特 征在于， 包括： 对多个大气监测站点进行区域划分和分层， 得到全局图和局部子 图， 分别设定所述全 局图和所述局部子图中节点的属性信息和特征信息， 基于所述全局图和所述局部子图中边 的属性信息， 构建基于多粒度图时空神经网络的污染物浓度预测模型； 获取所述多个大气监测 站点的历史监测数据， 根据 所述历史监测数据生成全局图数据 和局部子图数据； 采用所述全局图数据和所述局部子图数据训练所述基于多粒度图时空神经网络的污 染物浓度预测模型； 获取多个大气监测站点的第 一时长内的历史污染物浓度值和历史气象参数， 获取所述 多个大气监测站点的未来第二时长内的未来气象参数； 将所述历史污染物浓度值、 历史气象参数和未来气象参数输入至训练后的基于多粒度 图时空神经网络的污染物浓度预测模型， 得到所述多个大气监测站 点的未来第二时长内的 未来污染物浓度值， 即得到 污染物浓度预测值。 2.根据权利要求1所述的基于多粒度图时空神经网络的污染物浓度预测方法， 其特征 在于， 所述对所述多个大气监测站 点进行区域划分和分层， 得到全局图和局部子图， 具体包 括： 获取所述多个大气监测 站点的经纬度， 根据 所述经纬度对所述多个大气监测 站点进行 聚类， 得到多个区域， 将所述区域设为全局节点， 将所述区域内的所述大气监测站 点设为局 部节点， 得到全局图和 局部子图。 3.根据权利要求1所述的基于多粒度图时空神经网络的污染物浓度预测方法， 其特征 在于， 所述分别设定全局图和局部子图中节点的属 性信息和特征信息， 所述全局图和所述 局部子图中边的属性信息， 具体包括： 设定所述全局节点的属性信息， 包括区域污染物浓度值， 所述全局节点的特征信息包 括区域气象参数和区域时间特 征； 设定所述局部节点的属性信息， 包括所述大气监测站点的局部污染物浓度值， 所述局 部节点的特征信息包括所述大气监测站 点的局部气象参数、 土地利用类型数据和局部时间 特征； 在两个所述全局节点之间的地理距离小于等于第 一阀值的情况下， 在两个所述全局 节 点之间建立一条边， 设定两个所述全局节点之间边的属 性信息， 包括两个所述全局节点之 间的相似度， 所述两个所述全局节点之间的相似度包括地理位置相似度、 风向相似度和平 流系数； 在任意两个所述局部节点之间建立一条边， 设定两个所述局部节点之间边的属性信 息， 包括两个所述局部节点之间的相似度， 所述两个所述局部节点之间的相似度包括地理 位置相似度和风向相似度。 4.根据权利要求1所述的基于多粒度图时空神经网络的污染物浓度预测方法， 其特征 在于， 所述构建基于多粒度图时空神经网络的污染物浓度预测模型， 具体包括： 采用编解码结构， 在编码结构中， 构建全局级和局部级两种粒度图结构， 全局图和局部 子图之间通过消息传递机制进 行交互， 所述局部节点将所述属性信息向上传递至所述全局 节点， 所述全局节 点将所述属性信息向下更新至所述局部节 点， 在每个时间段中， 计算每个权　利　要　求　书 1/5 页 2 CN 114154702 A 2所述全局节点的属 性信息， 并更新对应的所述局部节点的属 性信息， 通过一轮信息传递过 程后， 生成局部节点属 性信息的时间序列， 所述时间序列输入至第一长短期记忆人工神经 网络进行编码， 所述第一长短期记 忆人工神经网络的最终状态输入至解码结构中； 在解码结构中， 所述第 一长短期记忆人工神经网络的最终状态输入至第 二长短期记忆 人工神经网络， 所述局部节点的未来气象参数与第一全连接层输出的污染物浓度预测值进 行拼接后， 输入至所述第二长短期记忆人工神经网络， 所述第二长短期记忆人工神经网络 进行解码， 将所述第二长短期记忆人工神经网络的最后结果输入至所述第一全连接层， 所 述第一全连接层输出污染物浓度预测值。 5.根据权利要求1所述的基于多粒度图时空神经网络的污染物浓度预测方法， 其特征 在于， 所述全局图和 局部子图之间通过消息传递机制进行交 互， 具体包括： 所述消息传递机制主 要包括消息聚合和表示更新， 所述消息聚合 为： Ra＝{(xs,xa,ea,s)}s∈ Ν(a)； ra←ψ(Ra)； 其中， Ra表示全局图中全局节点a的所有消息集合， xa表示全局图中全局节点a的属性信 息， xs表示全局图中全局节点a的邻近节点属性信息， ea,s表示全局图边属性信息， Ν(a)表 示全局图中全局节点a 的邻接节点集， ra表示全局图中全局节点a的聚合向量， ψ( ·)表示聚 合函数； 所述表示更新 为： 其中， 表示第一更新函数， 表示第二更新函数， ra,i表示第a个局部子图中第i 个局部节点 的聚合向量， xa,i表示第a个局部子图中第i个局部节点的属性信息， x'a表示更 新后的全局图中全局节点a的属性信息， ra表示全局图中全局节点a的聚合向量， x'a,i表示 更新后第a个局部子图中第i个局部节点的属性信息， ua表示全局图中节点a的属性向量， 采用不同全连接层实现； 所述表示更新的方式为利用全局图更新局部子图， 从全局图传递的信 息包括区域污染 物浓度值， 在每一个时间段， 全局图的输出输入至第二全连接层， 所述第二全连接层得到向 下更新向量， 利用向下更新向量对局部子图对应的全局属 性信息进行更新， 局部子图对应 的全局属性信息包括气象参数和向下更新向量， 全局属性信息使用消息传递方式在局部子 图中使用。 6.根据权利要求5所述的基于多粒度图时空神经网络的污染物浓度预测方法， 其特征 在于， 所述消息聚合的方式为从局部子图向全局图聚合， 从局部子图传递的信息包括局部 污染物浓度值， 在全局图采用平均法对从局部 子图传递过来的信息进行聚合： 其中， 表示全局图中第a全局节点第t时刻聚合值， 表示第a个局部子图中第i 个局部节点第t时刻局部污染物浓度值， |Sa|表示全局图中第a个局部子图的局部节点个 数， mean(·)表示求数组平均值；权　利　要　求　书 2/5 页 3 CN 114154702 A 3