1.一种多模型融合的深度学习的空气质量预测方法,其特征在于,包括以下步骤:
步骤一、获取历史空气质量数据和气象数据;
步骤二、对历史空气质量数据进行缺失值插值及归一化处理;
步骤三、利用历史空气质量数据构建基于seq2seq的深度学习模型作为单因素预测模型;
步骤四、利用历史空气质量数据和气象数据构建基于双注意力机制的seq2seq深度学习模型作为多因素预测模型;
步骤五、将历史空气质量数据输入单因素预测模型得到单因素预测模型的预测结果,将历史空气质量数据和气象数据输入多因素预测模型得到多因素预测模型的预测结果,将单因素预测模型的预测结果、多因素预测模型的预测结果以及当前气象数据融入到xgboost提升树中进行回归计算,得到最终的空气质量数据的预测值。
2.如权利要求1所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,空气质量数据包括PM2.5、PM10、NO2、CO、O3和SO2中一类或两类以上的浓度数据。
3.如权利要求2所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,当空气质量数据为两类以上的浓度数据时,步骤五中,依次预测空气质量数据中的一类,将该类空气质量数据的单因素预测模型的预测结果和多因素预测模型的预测结果以及当前气象数据融入到xgboost提升树中进行回归计算,得到该类空气质量数据的预测值。
4.如权利要求1所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,气象数据包括温度、气压、湿度、风向、风速和天气指标。
5.如权利要求1所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,利用期望最大化方法进行缺失值插值。
6.如权利要求1所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,单因素预测模型的输入层为历史空气质量数据,隐藏层的结构为是seq2seq模型,内部是编码和解码结构,其中的编码和解码单元是LSTM长短时记忆神经网络,输出层为空气质量预测值。
7.如权利要求1所述的一种多模型融合的深度学习的空气质量预测方法,其特征在于,多因素预测模型的输入层为历史空气质量数据和气象数据,隐藏层结构为一种双注意力机制的seq2seq模型,其内部是编码-解码结构,在编码和解码之前分别加入一层注意力机制,输出层为空气质量数据预测值。