(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 202111669087.8 (22)申请日 2021.12.31 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 刘博　王明烁　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 沈波 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时空图卷积网络的空气质量预测 方法 (57)摘要 本发明公开了一种基于时空图卷积网络的 空气质量预测方法， 首先对数据集中各监测站点 下的时序数据进行预处理， 包括污染物浓度和气 象因子观测值， 并划分训练集、 验证集和测试集； 根据各监测站点的经纬度坐标构建邻接矩阵， 然 后一并输入至时空注意力机制卷积单元中。 利用 时空注意力机制捕获时空维度的动态相关性， 通 过在时间维度部署标准卷积和在空间维度部署 图卷积网络分别捕获时空维度的特征及依赖。 最 后连接一层全 连接层得到最终的输出。 本发明可 以更好的捕获数据中的时空特征及动态变化， 纯 卷积结构可以提高运算效率， 减少因循环导致的 误差积累， 从而更好的完成预测任务。 权利要求书3页 说明书8页 附图2页 CN 114240000 A 2022.03.25 CN 114240000 A 1.一种基于时空图卷积网络的空气质量预测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取各监测 站点的空气污染物 因子浓度以及气象因子的历史时间序列数据， 进 行数据预处 理， 而后划分训练集、 验证集和 测试集， 并作为时间维度的输入参 量； 步骤2、 获取各监测站点的地理位置信 息数据， 包括经纬度信 息等， 构建相应的图结构， 并作为空间维度的输入参 量； 步骤3、 将经过所述预处理后的时序数据集与图结构一并输入至时空卷积单元， 包括 时 空注意力机制模块和时空卷积模块， 进行协同训练， 以同时捕获时间和空间特性； 步骤4、 将所述时空注意力机制模块和时空卷积模块协同训练后， 级联一层全连接层， 使模块的输出 具有与预测目标相同的维度， 从而输出最终的预测结果。 2.根据权利要求1所述的一种基于时空图卷积网络的空气质量预测方法， 其特征在于， 所述步骤1具体为： 步骤1.1、 污染物因子数据采集： 同一监测站点下不同污染物因子的历史时序数据， 包 括CO、 NO2、 SO2、 O3、 PM10、 PM2.5， 每个时刻污染物浓度向量为： χt1＝{Ct(CO)， Ct(NO2)， Ct(SO2)， Ct(O3)， Ct(PM10)， Ct(PM2.5)}， 向量中每 个值代表不同污染物因子在t时刻的浓度值； 步骤1.2、 气象因子数据采集： 同一监测站点下不同气象因子的历史时间序列数据， 包 括温度、 风力、 降雨量、 湿度， 每个时刻气象因子向量为χt2＝{Tempt， Windt， Raint， Humit}， 向 量中每个值代表不同气象因子在t时刻的观测值； 步骤1.3、 数据 预处理： 对所采集的空气污染物因子和气象因子的时序数据集进行缺失 值填充和异常值处 理， 得到完整可用的数据集； 步骤1.4、 训练集、 验证集、 测试集划分： 按照7∶2∶1的比例将原始数据 集划分为训练集、 验证集和 测试集； 步骤1.5、 数据归一化： 利用最大最小归一化算法对划分好的训练集、 验证集和测试集 进行标准化处理， Min‑Max标准化公式如下： 其中， max(xi)代表数组中的最大值， min(xi)代表数组中的最小值， xi代表转换前的数 据， x′i表示经过归一化后的数据。 3.根据权利要求1所述的一种基于时空图卷积网络的空气质量预测方法， 其特征在于， 所述步骤2具体为： 步骤2.1、 监测站点地理位置信息数据采集： 收集所有监测站点的空间信息， 包括经纬 度信息等； 步骤2.2、 图结构构建： 根据上述所采集的各监测站点的地理位置信息数据， 生成对应 的带权邻接矩阵并构建相应的图结构， 以表示 地理空间数据的空间关系； 图结构表示 为： G＝(V， E， A) 其中， G表示无向图， V表示节点集合， E表示边集合， 代表节点之间的连接， A∈RN×N表示 节点的邻接矩阵。 4.根据权利要求1所述的一种基于时空图卷积网络的空气质量预测方法， 其特征在于， 所述步骤3具体为： 步骤3.1、 空间注意力机制捕 获节点中的动态相关性： 将上述已经过数据 预处理的历史权　利　要　求　书 1/3 页 2 CN 114240000 A 2时序数据和图结构 输入至时空注意力机制模块， 由空间注意力机制自适应的捕获节点中的 动态相关性， 如下： S＝Vs·σ(( χP1)P2(P3χ )T+bs) 其中， χ∈RN×C×T是时空模块的输入， C是输入时序数据的维度， T是输入时序数据的长 度， Vs， bs∈RN×N， P1∈RT， P2∈RC×T， P3∈RC均为可学习参数， sigmoid作为激活函数； 根据当前 输入动态计算得到空间相关矩阵S， S ′i， j表示节点之间的相关强度； 在进行图卷积时， 同时 使用邻接矩阵A和S ′动态调整节点间的权 重； 步骤3.2、 时间注意力机制捕 获时间片间的动态相关性： 将上述已经过数据预处理的历 史时序数据和图结构 输入至时空注意力机制模块， 由时间注意力机制自适应的捕获时间片 间的动态相关性， 公式如下： E＝Ve·σ(( χQ1)Q2(Q3χ )T+be) 其中， Ve， be∈RT*T， Q1∈RN， Q2∈RC*N， Q3∈RC均为可学习参数， 时间相关矩阵由不同的输入 决定， E′i， j代表不同时间片间的相关性； 然后将通过归一化的时间相关矩阵作为输入， 合并 相关信息， 动态调整输入得到 公式如下： 其中， 步骤3.3、 图卷积捕获邻域空间依赖性： 将上述经过时空注意力机制调整后的输出输入 至时空卷积模块， 由空间维度的图卷积 捕获来自邻域的空间依赖性； 步骤3.3.1、 计算图结构的拉普拉斯矩阵并归一 化： L＝D‑A 其中， L∈RN×N， 归一化后为： 其中， A是邻接矩阵， IN是单位矩阵， D∈RN×N是度矩阵， 由节点的度组成， 也是对角矩阵， Dii＝∑jAij； 步骤3.3.2、 拉普拉斯的特 征值分解： L＝UΛUT 其中， Λ＝diag([ λ0， λ1， ...， λN‑1])是对角矩阵， U是傅里叶基； 步骤3.3.3、 对节点信号进行图卷积 操作， 公式如下： 其中， *G代表图卷积操作， θ∈RK是多项式系数矩阵， λmax是拉普拉斯矩阵的 最大特征值； 步骤3.3.4、 使用线性整流函数(Rectified  Linear Unit， ReLU)作为卷积模块的激活 函数：权　利　要　求　书 2/3 页 3 CN 114240000 A 3