(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 202211114196.8 (22)申请日 2022.09.14 (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 胡峰　陈政　张晓霞　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于注意力机制的LS TM网络的PM2.5浓 度预测方法 (57)摘要 本发明属于空气污染物预测领域， 具体涉及 一种基于注意力机制的LS TM网络的PM2.5浓度预 测方法； 该方法包括： 以PM2.5为预测的目标污染 物构建PM2.5浓度预测模型； 采用环境监测的 PM2.5浓度数据、 其他污染物浓度数据以及气象 因子数据对PM2.5浓度预测模型进行训练； 获取 第一时间段的PM2.5浓度数据以及第二时间段的 其他污染物数据和气象因子数据， 采用训练好的 PM2.5浓度预测模型对第二时间段的PM2.5浓度 进行预测； 本发明的预测结果准确性高， 实用性 好。 权利要求书2页 说明书8页 附图3页 CN 115330082 A 2022.11.11 CN 115330082 A 1.一种基于注意力机制的LSTM网络的PM2.5浓度预测方法， 其特征在于， 包括： 以PM2.5 为预测的目标污染物构建PM2.5浓度预测模型； 采用环境监测的PM2.5浓度数据、 其他污染 物浓度数据以及气象因子数据对PM2.5浓度预测模 型进行训练； 获取第一时间段的P M2.5浓 度数据以及第二时间段的其他污染浓度物数据和气象因子数据， 采用训练好的PM2.5浓度 预测模型对第二时间段的PM2.5浓度进行预测； 其中， 其他污染物浓度数据包括PM10、 CO、 NO2、 O3和SO2的每小时浓度数据； 对PM2.5浓度预测模型进行训练的过程包括： S1： 对环境监测的PM2.5浓度数据、 其他污染物浓度数据以及气象因子数据进行数据预 处理； 根据预处 理后的数据构建多元时间序列； S2： 采用二维卷积对多元时间序列进行不同尺度的特 征提取， 得到不同尺度的特 征图； S3： 对不同尺度的特征图分别进行压缩和非线性变换处理， 并将处理后的特征图分别 输入到带有注意力机制的堆叠残差网络中进 行处理， 得到输出特征； 将所有输出特征融合， 得到融合特 征图； S4： 将融合特 征图输入到LSTM网络中进行处 理， 得到PM2.5浓度预测结果。 2.根据权利 要求1所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 气象因子数据包括温度、 湿度、 风速、 风向和降水量的每小时数据。 3.根据权利 要求1所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 采用二维卷积对多元时间序列进行不同尺度的特征提取 的过程包括： 采用不同卷 积核的二维卷积对多元时间序列进行卷积操作， 得到不同时间序列的时间特征表示； 采用 激活函数、 最大池化层对不同时间序列的时间特 征表示进行处 理， 得到不同尺度的特 征图。 4.根据权利 要求1所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 带有注意力机制的堆叠残差网络由多个基本网络单元堆叠而成， 每个基本网络单 元由注意力模块和单元残差网络连接组成， 单元残差网络包括批归一化、 一维卷积和ReLU 激活函数。 5.根据权利 要求1所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 带有注意力机制的堆叠残差网络对特 征图的处 理过程包括： 将特征图输入到全局 平均池化层和全局最大池化层进行压缩处理， 得到平均池化特征 和最大池化特 征； 将平均池化特征和最大池化特征输入到多层共享感知机中， 得到两个分支通道注意力 特征图； 其中， 多层共享感知机由一个全连接层连接 激活函数后再串联两个全连接层组成； 将两个分支通道注意力特征图相加后， 使用sigmoid函数进行处理后得到注意力特征 图； 将所有注意力特 征图映射到原特 征图中， 得到特 征加权映射后的卷积特 征图； 堆叠残差网络对特 征加权映射后的卷积特 征图进行处 理， 得到输出特征。 6.根据权利 要求5所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 全局平均池化层和全局最大池化对特 征图进行压缩处 理的公式分别为： 权　利　要　求　书 1/2 页 2 CN 115330082 A 2其中， a表示平均池化特征， b表示最大池 化特征， uc(i,j)表示卷积特征图中的数据单元 (i,j)， W表示卷积特 征图的宽度， H表示卷积特 征图的高度。 7.根据权利 要求5所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 得到注意力特 征图的公式为： t＝σ(W3δ(W1W2a)+W3δ(W1W2b)) 其中， t表示注意力特征图， σ 表示si gmoid函数， δ表示ReLU激活函数， a表示提取的平均 池化特征， b表示提取的最大池化特征， W1表示降维矩阵， W2表示升维矩阵， W3表示线性映射 矩阵。 8.根据权利 要求5所述的一种基于注意力机制的LSTM 网络的PM2.5浓度预测方法， 其特 征在于， 将注意力特 征图映射到原特 征图的公式为： 其中， 表示特征加权映射后的卷积特征图， Fscale()表示卷积映射操作， tc表示卷积特 征通道的权 重标量， uc表示卷积特 征图。权　利　要　求　书 2/2 页 3 CN 115330082 A 3