CN119474769A 一种基于集成深度学习的空气质量预报方法 （四川国蓝中天环境科技集团有限公司）

司一种基于集成深度学习的空气质量预报方法本发明公开了一种基于集成深度学习的空特征相关性系数以及标签相关性系数判断节点络图结构以及连接矩阵列表作为图神经网络层的输入，将图神经网络层的输出作为MLP全连接2图结构以及连接矩阵列表作为图神经网络层的输入，将图神经网络层的输出作为MLP全连2米湿度Q2、降水量RAINNC、地面2米温度T2、地表温度TSK、地面10米风场纬度分量U10、S12、对WRF数据集和CMAQ数据集中的数据分别进行数据格式转换，得到数据集3当聚合相关系数小于0.7且标签相关性系数大于0.5时，判断节点之间存在单向连接;第h个节点连接的第j个节点的模型训练特征值对应的权重参数，表示与第h个节点连8.根据权利要求6所述的一种基于集成深度学习的空气质量预报方法，其特征在于，MLP全连接层包括四层线性连接层，四层线性连接层用于对三维数据中的特征进行扩展或4;9.根据权利要求8所述的一种基于集成深度学习的空气质量预报方法，其特征在于，全连接层的输出作为第二全连接层的输入，第二全连接层的输出作为第三全连接层的输10.根据权利要求9所述的一种基于集成深度学习的空气质量预报方法，其特征在于，5对计算资源的需求极高。例如，在本地部署一套WRF气候场预报模式和CMAQ污染场预报模网络图结构以及连接矩阵列表作为图神经网络层的输入，将图神经网络层的输出作为MLP全连接层的输入，经过MLP全连接层的非线性组合后，得到监测区域内的空气质量预测结6地面2米湿度Q2、降水量RAINNC、地面2米温度T2、地表温度TSK、地面10米风场纬度分量S12、对WRF数据集和CMAQ数据集中的数据分别进行数据格式转换，得到数据集根据网格之间的标签相关性系数以及特征相关性系数计算节点之间的聚合相关7[0011]在一些具体实施方案中，图神经网络层包括两层SAGEConv特征提取层，两层;表示与第h个节点连接的第j个节点的模型训练特征值对应的权重参数，表示与第h个;89S12、对WRF数据集和CMAQ数据集中的数据分别进行数据格式转换，得到数据集练特征计算出一个特征相关性系数，再基于每种模型训练标签计算一个标签相关性系数，网络图结构以及连接矩阵列表作为图神经网络层的输入，将图神经网络层的输出作为MLP全连接层的输入，经过MLP全连接层的非线性组合后，得到监测区域内的空气质量预测结S41、图神经网络层包括两层SAGEConv特征提取层（分别为SAGEConv1和SAGEConv2两层SAGEConv特征提取层对三维数据中每个样本对应的特征进行进行两次扩表示与第h个节点连接的第j个节点的模型训练特征值对应的权重参数，表示与第h个[0035]S43、为了避免在深度学习过程中由于模型深度大导致的梯度消失和梯度爆炸的（Jumping5四层线性连接层包括第一全连接层（LinearLayer1）、第二全连接层 接层用于连接第一全连接层和第三全连接层，第一全连接层的输出作为第二全连接层的输入，第二全连接层的输出作为第三全连接层的输入，跳跃连接层的输入为第一全连接层的输出和第三全连接层的输出，跳跃连接层的输出作为第四全连接层的输入，第一全连接层假设构建出的某个模型训练标签对应的图数据样例如图3所示，从图中可以看出}输入到图神经网络层的数据格式是三维数据=[5,100,16]，其中5表示节点数从图中可以看出节点之间单向连接线和双向连接线加起来一共有9组数据连接关系，简单一组数据连接关系（相关连接矩阵）为[0,1][0038]2、本实施例的集成预报模型设计采用深度学习技术中的图神经网络（Graph模式是假设对于和节点0有连接矩阵关系的，进行随机抽样并且特征加权求平均得到连接表示与第h个节点连接的第j个节点的模型训练特征值对应的权重参数，表示与第h个节点连接的第j个节点的第r个模型训练特征值，h(r)表示与第h个SAGEConv2计算逻辑与SAGEConv1同理，参数定义相同，区别在于，L的值为全连接层将模型训练特征数量压缩为1（即MLP4然后将输出的三维数据展开即可得到当[0047]其中Skip表示连接结果，Feat