公开(公告)号：CN119886442A

公开(公告)日：2025-04-25

申请号：CN202411968885.4

申请日：2024-12-30

Applicant: 桂林电子科技大学

Inventor： 沈世铭 ,  许睿 ,  文建辉 ,  李建 ,  孙绍华 ,  蔡天孚

IPC: G06Q10/04 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0442 ,  G06Q50/26

Abstract: 本发明提供一种能够增强对大气污染物传播过程时空特征捕捉能力的方法，采用时间‑空间注意力机制能够同时提取时间特征和空间特征的注意力权重，优化了对复杂数据的处理能力，并通过为输入数据分配不同的时间和空间权重，增强了对大气数据时空关系的捕捉能力，进而提高了对全局以及局部特征的捕捉能力，将SoftMax激活函数代替为值域为(‑1,1)的Tanh，避免混淆负相关和弱相关关系，进而实现了更精准的大气污染物传播过程的时空特征提取。

公开(公告)号：CN119887482A

公开(公告)日：2025-04-25

申请号：CN202411969107.7

申请日：2024-12-30

Applicant: 桂林电子科技大学

Inventor： 沈世铭 ,  许睿 ,  文建辉 ,  李建 ,  孙绍华 ,  蔡天孚

IPC: G06Q50/26 ,  G06Q10/04 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0442

Abstract: 本发明提供一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法，采用小波变换数据时频域分解技术对划分后的数据集进行时频域分解，解决了长时间数据的纠缠问题，构建的能够有效关联污染物的时间和空间信息，并考虑了多个站点间的传输，提升了模型的说服力，进而能够提升大气污染的预测精准度。该方法适用于城市大气污染预测，有助于模拟和预测大气环境变化，对空气污染防治、挖掘污染物传播规律具有借鉴意义。

公开(公告)号：CN119622242A

公开(公告)日：2025-03-14

申请号：CN202411682811.4

申请日：2024-11-22

Applicant: 桂林电子科技大学

Inventor： 许睿 ,  蔡天孚 ,  李建 ,  沈世铭

IPC: G06F18/20 ,  G06F18/2131 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/084 ,  G01W1/10 ,  G06F123/02

Abstract: 本发明公开了一种基于时频域分解和时空信息提取的深度学习大气预测方法，包括1）采集多个站点的大气污染物、气象变量的小时数据；2）采用平稳小波变换SWT将数据分解成不同频域下同等长度的子信号序列，同时将日期、季节时间因素融入序列，初步形成模型需要的数据集；3）将步骤2）中的数据集，根据监测站点的地理位置构建拓扑结构的图数据集；4）构建基于时间‑空间注意力机制的编码器，增强数据的时空信息权重；5）GCN、LSTM和FC构建的解码器提取数据的时间特征和空间信息，形成预测输出；6）将RMSE、MAE、MAPE作为评估参数。这种方法能挖掘大气中污染物的传播规律、提高大气预测精度。