公开(公告)号：CN116822696A

公开(公告)日：2023-09-29

申请号：CN202310406558.9

申请日：2023-04-17

Applicant: 南京信息工程大学

Inventor： 葛仲麒 ,  田伟

IPC: G06Q10/04 ,  G01N33/00 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/084 ,  G06Q50/26

Abstract: 本发明公开了融合多源数据的人工智能臭氧浓度预测方法，建立了CNN‑BiLSTM的臭氧浓度预测模型。收集地面观测站数据、ERA5再分析数据和卫星观测数据，对地面站数据的缺失值和异常值预处理，将ERA5再分析数据和卫星观测数据时间降尺度与地面观测站同一时间分辨率，并将其裁剪至研究区域。通过CNN提取ERA5再分析和卫星数据的特征，然后和地面观测站数据拼接进入BiLSTM网络进行臭氧浓度的时序预测。本发明采用上述方法，考虑了除地面观测站以外的气象因素，最终预测精度更高，解决了现有预测方法臭氧预测模型精准度较差的问题。

公开(公告)号：CN116702981A

公开(公告)日：2023-09-05

申请号：CN202310674359.6

申请日：2023-06-08

Applicant: 南京信息工程大学

Inventor： 葛仲麒 ,  田伟

IPC: G06Q10/04 ,  G06N3/0442 ,  G06N3/0464 ,  G06F18/214 ,  G06F18/213 ,  G06F18/15

Abstract: 本发明公开了一种臭氧浓度预测方法、装置、电子设备及介质，包括获取待预测大气环境观测站点的臭氧浓度及各气象因子的历史数据；对所述臭氧浓度及各气象因子的历史数据进行预处理，获得完整可用的数据集；将预处理后的数据集输入预先构建并训练好的臭氧浓度预测模型中，获得所述大气环境观测站点的臭氧浓度预测结果；其中，所述臭氧浓度预测模型是通过基于单头注意力模块及图卷积神经网络的SA‑GCN网络提取数据之间的空间特征，以及通过LSTM网络提取数据的时序特征，并利用臭氧浓度及各气象因子的历史数据以均方差损失函数最小为目标训练获得的。本发明通过将LSTM与SA‑GCN耦合捕获臭氧浓度的时空依赖关系，进一步提高预测的准确性。