CN112712169B 基于图卷积的全残差深度网络的模型建立方法及应用 （中国科学院地理科学与资源研究所）

所基于图卷积的全残差深度网络的模型建立本发明公开了一种基于图卷积的全残差深分别找最近邻点对，计算两个维度相关系数比2步骤五、采用基于位置的分层随机抽样的方法，按照行步骤七、建立基于图卷积的全残差深度网络的空气污3模型的训练过程为：预先对图时空网络进行半监督的预训练，采4初始化训练之后，通过输入单元同图网络的输出单元W,b表示网络层的权重矩阵W及偏差矢量b的系数集，y表示地面观测值，Ja.(x)表示网络的针对输入x对目标变量y的模型训练输出结果同前面保存的正则化参数进行反正则化操作，得到10.根据权利要求1所述的基于图卷积的全残差深度网络的模型建立方法，其特征在5基于图卷积的全残差深度网络的模型建立方法及应用[0002]空气污染物浓度的时空建模方法包括基于克里格（kriging）、贝叶斯最大熵称GAM）等方法，但在这些方法中克里格及贝叶斯最大熵对时空变异需要满足时空平稳通过坐标及时空变化的协变量进行时空建模。这些基于传统的统计模型的建模方法同新兴列模型难以应用到时空样本不规则分布的空气污染监测数据[0004]新兴的深度学习技术，除时间序列方法LSTM及CNN之外前馈神经网络模型也逐步6[0010]步骤四、采用k-NN最近邻算法，查找所有样本点的最近的k个最近邻及其时空距[0025]式中，k表示层次的索引，u为目标节点，vveN(u)代表了v为u的7标节点u的由最近邻点得到的聚集结果，相当于u的第k层状态邻近点[0040]模型的训练过程为：预先对图时空网络进行半监督的预训练，采用公式7所示的[0042]式中，QWS表示网络层的权重矩阵W及偏差矢量b的系数集，y表示地面观测值，ga,(x)表示图网络的针对输入x对目标变量y的采用参数AWS的估计结果，lc为图的8[0045]式中，QWS表示网络层的权重矩阵W及偏差矢量b的系数集，y表示地面观测值，表示网络的针对输入x对目标变量y的采用参数AWS的估计结果，为9[0063]全部数据包括上述的协变量以及目标变量，本发明的目[0067]步骤四、采用k-NN最近邻算法，查找所有样本点的最近的k个最近邻及其时空距包含测试样本的时间序列数据，是对模型的真实的预测能力即泛化性进行验证的主要步[0071]本专利采用了能处理不规则样本点的图网络，一个lag代表一个最近的时空点的针对空气污染数据可以将3作为初始值，根据实际数据探索得到合适的lag步长K，即总层[0074]式中，k表示层次的索引，u为目标节点，vveN(u)代表了v为u的标节点u的由最近邻点得到的聚集结果，相当于u的第k层状态邻近点N(u层的输出；表示节点u的第k层的邻近节点N(u)的完成聚集操作的输出，二者通过拼[0091]式中，QWS表示网络层的权重矩阵W及偏差矢量b的系数集，y表示地面观测值，8r,(s)表示图网络的针对输入x对目标变量y的采用参数AWS的估计结果，lc为图的损[0094]式中，QWS表示网络层的权重矩阵W及偏差矢量b的系数集，y表示地面观测值，表示网络的针对输入x对目标变量y的采用参数AWS的估计结果，为图[0101]（1）通过带权重的多层局部图卷积网络（graphconvolutiGCN实现不规则时空样本的滞后建模功能，解决了常规的时间序列模型在空气污染估计[0106]下面结合具体的实施例对本发明所公开的基于图卷积的全残差深度网络的空气[0107]步骤一、图1展示了本发明的主要步骤，如第一步所示，采用了地面监测站点的言及R统计软件的相关包。xst空间上的最近邻点；沿时间找最近的样本点，重复的点除去，最后形成变量对集合,其中，xsn是xst时间上的最近邻点。计算空间及时间维度的两个最近邻点感性分析采用了K=3作为层数，同时将网络拓扑结构保存于内层数据中。在实施上参考了采用了其中业界普遍看好的图神经网络深度学习包即PytorchGeometricLibrary，采用[0118]表1的测试数据表明了本发明专利相比于其他传统的时空建模方法，包括克里格[0124](4)将时空