(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 202111500248.0 (22)申请日 2021.12.09 (71)申请人 中国建筑科学研究院天津分院 地址 300384 天津市滨 海新区中新天津生 态城滨海旅游区东方文化广场5-1- 1206 (72)发明人 李晓萍　王雯翡　贺芳　田露　 范凤花　康宁　闵行博　钱景超　 王恬　魏加雯　 (74)专利代理 机构 北京世誉鑫诚专利代理有限 公司 11368 代理人 李世端 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种气溶胶浓度预测方法 (57)摘要 本发明提供的一种气溶胶浓度预测方法， 所 述预测方法包括： 获取多个监测点的气溶胶浓 度； 预处理多个监测点的气溶胶浓度， 获得所述 多个监测点的气溶胶浓度的时间序列； 根据所述 时间序列构建组合深度学习网络， 获得初始气溶 胶浓度预测模 型； 根据实时监测的气溶胶浓度优 化所述初始气溶胶浓度预测模型， 获得优化气溶 胶浓度预测模 型； 根据所述优化气溶胶浓度预测 模型预测气溶胶的浓度。 通过反馈机制的不断修 正， 能够有效准确地预测室内气溶胶的浓度。 权利要求书2页 说明书6页 附图1页 CN 114239943 A 2022.03.25 CN 114239943 A 1.一种气溶胶浓度预测方法， 其特 征在于， 所述预测方法包括： 获取多个监测点的气溶胶浓度； 预处理多个监测点的气溶胶浓度， 获得 所述多个监测点的气溶胶浓度的时间序列； 根据所述时间序列构建组合深度学习网络， 获得初始气溶胶浓度预测模型； 根据实时监测的气溶胶浓度优化所述初始气溶胶浓度预测模型， 获得优化气溶胶浓度 预测模型； 根据所述优化气溶胶浓度预测模型 预测气溶胶的浓度。 2.根据权利要求1所述的一种气溶胶浓度预测方法， 其特征在于， 所述组合深度 学习网 络具体包括： 多个时间embedding提取模块、 多个卷积长短期记忆网络、 图卷积神经网络和 输出网络； 所述时间embedding提取模块和所述卷积长短期记忆网络的数量与所述监测点的数量 相同， 用于提取 所述气溶胶浓度的时间序列的时间embed ding； 所述卷积长短期记忆网络用于将历史时间段的气溶胶浓度信息和下一时刻的信息进 行关联， 提取气溶胶浓度之间的时间相关性特 征； 所述图卷积神经网络用于接收多个所述卷积长短期记忆网络输出的时间相关性特征， 在图结构上实现卷积 操作， 提取建筑内的不同监测点之间的空间相关性特 征； 所述输出网络用于 输出预测结果。 3.根据权利要求1所述的一种气溶胶浓度预测方法， 其特征在于， 所述根据所述时间序 列构建组合深度学习网络， 获得初始气溶胶浓度预测模型 具体包括： 根据气溶胶浓度的时间序列训练所述组合深度学习网络， 并采用贝叶斯优化方式调整 所述组合深度学习网络中的超参数， 获得训练好的空气污染物浓度预测模型； 获取多个监测点的待测气溶胶浓度， 并进行 预处理得到气溶胶浓度的时间序列； 将所述待测气溶胶浓度的时间序列输入到所述气溶胶浓度 预测模型中， 获得目标点气 溶胶浓度预测值。 4.根据权利要求1所述的一种气溶胶浓度预测方法， 其特征在于， 所述预测方法还包 括： 搭建深度学习训练模型， 具体包括： 将多个监测点的气溶胶浓度的时间序列分为训练样本和测试样本， 将每个监测点的气 溶胶浓度的时间序列 作为1路输入； 将训练样本一一对应输入到多个所述时间embedding提取模块中， 得到多个监测点的 所述气溶胶浓度的时间序列的时间embed ding； 将多个时间embedding一一对应输入到多个所述卷积长短期记忆网络中， 获得多个气 溶胶浓度之间的时间相关性特 征； 将多个时间相关性特征输入到所述图卷积神经网络 中， 得到建筑内的不同监测点之间 的空间相关性特 征； 将所述空间相关性特征输入到所述输出层得到气溶胶浓度预测值， 迭代训练结束后， 获得预估气溶胶浓度预测模型； 利用测试样本测试所述预估气溶胶浓度预测模型， 并采用贝叶斯优化方式对所述组合 深度学习网络中的超参数进行调整， 获得训练气溶胶浓度预测模型。 5.根据权利要求1所述的一种气溶胶浓度预测方法， 其特征在于， 所述根据实时监测的权　利　要　求　书 1/2 页 2 CN 114239943 A 2气溶胶浓度优化所述初始气溶胶浓度预测模型， 获得优化气溶胶浓度预测模型 具体包括： 将观测值分为训练集和测试集， 并利用最小最大规格化对所述训练集和所述测试集进 行缩放； 将所述观测值和所述预测值利用时间序列转换为输入和输出的顺序对； 将所述输入和输出的顺序对划分为比例为4比1的训练集和测试集； 用最小最大规格化 算法将所述训练集和测试集缩放为0 ‑1之间的映射值， 处理后的值等于处理前的值除以最 大值减最小值的差； 利用第一XGBoost网络对所述经缩放处理后的训练集和测试集进行特征提取， 并根据 提取后的特征值利用级联卷积长短期记忆网络进 行不同时间尺度下的气溶胶浓度预测， 得 到第一预测值， 所述第一预测值 为调整后的预测值； 将相关数据作为第二XGBoost网络的输入， 并根据经第二XGBoost网络筛选后 输出的数 据和所述第一预测值， 利用深度神经网络进行训练， 得到误差值； 第二XGBoost网络， 用于筛选输入 的相关数据， 以去除干扰特征， 并将筛选后的相关气 象数据输入至深度神经网络中； 所述深度神经网络包括依次连接的正则化函数、 第 一全连接层、 第二全连接层、 第三全 连接层、 第四全连接层和第五全连接层； 将所述调整后的预测值和误差值进行求和计算， 获得求和计算结果； 根据所述 求和计算结果优化基于深度学习的气溶胶预测模型。 6.根据权利要求1所述的一种气溶胶浓度预测方法， 其特征在于， 所述利用第一 XGBoost网络对所述经缩放处理后的训练集和测试集进行特征提取， 并根据提取后的特征 值利用级联卷积长短期记忆网络进行不同时间尺度下的气溶胶浓度预测， 得到第一预测 值， 具体包括： 利用第一XGBoost网络对所述经缩放处理后的训练集和测试集进行特征提取， 并将阈 值低于10的特 征值从训练集和 测试集中去除； 利用级联卷积长短期记忆网络对清理后的训练集和测试集进行训练， 得到第一预测 值， 所述第一预测值 为调整后的预测值； 级联卷积长短期记忆网络包括依次连接的两层卷积长短期记忆网络， 第 一层卷积长短 期记忆网络， 用于对XGBoost网络提取的特征值进行不同时间尺度下的气溶胶浓度预测， 并 将预测结果传输 至第二层卷积长短期记 忆网络； 所述第二层卷积长短期记忆网络， 用于结合所述第 一层卷积长短期记忆网络的预测结 果获得调整后的预测值。权　利　要　求　书 2/2 页 3 CN 114239943 A 3