本技術涉及環境監測，尤其涉及一種基于圖神經網絡的空氣質量評估方法、裝置、設備以及存儲介質。

背景技術：

1、近年來，環境問題已成為人們越來越關注的問題。許多地方建立了空氣質量監測平臺，用來測量和評估所在地區的空氣質量。

2、相關技術中，采用基于人工智能的模型來對空氣質量進行評估。比如說，基于遞歸神經網絡(rnn)、長短期記憶(lstm)或門控遞歸單元(gru)等構建空氣質量評估模型。然而，這些方法通常僅給出空氣中有害物質濃度的指標，并不能直觀地給出空氣質量的級別。

技術實現思路

1、本技術提供一種基于圖神經網絡的空氣質量評估方法、裝置、電子設備以及存儲介質，能夠準確、快速地評估指定區域的空氣質量等級。本技術的技術方案如下：

2、第一方面，本技術提供了一種基于圖神經網絡的空氣質量評估方法，所述方法包括：

3、獲取目標時間段內目標區域中的物聯網設備采集到的空氣濃度數據，所述空氣濃度數據包括一氧化碳co的時間序列濃度數據、二氧化氮no2的時間序列濃度數據、臭氧o3的時間序列濃度數據以及pm?2.5的時間序列濃度數據；

4、對所述空氣濃度數據進行數據預處理，得到第一圖數據和第二圖數據，所述第一圖數據用于表征所述目標時間段內每個時間點對應的空氣中每種元素的濃度值，所述第二圖數據用于表征所述目標時間段的多個時間點；

5、將所述第一圖數據和所述第二圖數據輸入空氣質量評估模型，所述空氣質量評估模型是基于深度學習訓練得到的圖神經網絡模型；

6、通過所述空氣質量評估模型中的圖數據傳輸層，對所述第一圖數據和所述第二圖數據分別進行數據聚合，得到所述第一圖數據對應的第一聚合特征和所述第二圖數據對應的第二聚合特征，所述第一聚合特征用于表征所述目標時間段內每個時間點對應的聚合空氣濃度，所述第二聚合特征用于表征所述目標時間段內多個時間點之間的關聯關系；

7、通過所述空氣質量評估模型中的圖卷積層，對所述第一聚合特征進行特征擴展，得到所述第一聚合特征的擴展特征，基于所述擴展特征，對所述第二聚合特征進行特征提取，得到所述第二聚合特征的特征向量；

8、通過所述空氣質量評估模型中的人工神經網絡層，對所述特征向量進行處理，輸出所述目標時間段內所述目標區域的空氣質量等級。

9、在一些實施例中，所述第一圖數據中一個節點用于表征一種元素的濃度值，連邊用于表征基于所述連邊所連接的兩個節點對應的濃度值得到相同空氣質量等級的概率符合條件；

10、所述第二圖數據中一個節點用于表征一個時間點，連邊用于表征兩個時間點之間的時間關系。

11、在一些實施例中，所述通過所述空氣質量評估模型中的圖數據傳輸層，對所述第一圖數據和所述第二圖數據分別進行數據聚合，得到所述第一圖數據對應的第一聚合特征和所述第二圖數據對應的第二聚合特征，包括：

12、通過所述圖數據傳輸層中的第一傳輸單元，基于下述公式(1)至公式(3)，對所述第一圖數據進行數據聚合，得到所述第一聚合特征：

13、

14、

15、

16、其中，a影響因素表示所述第一圖數據對應的鄰接矩陣，i影響因素表示所述第一圖數據對應的單位矩陣，d影響因素表示所述第一圖數據對應的度矩陣，l影響因素為歸一化矩陣，用于表示所述第一聚合特征；

17、通過所述圖數據傳輸層中的第二傳輸單元，基于下述公式(4)至公式(6)，對所述第二圖數據進行數據聚合，得到所述第二聚合特征：

18、

19、

20、

21、其中，a時間序列表示所述第二圖數據對應的鄰接矩陣，i時間序列表示所述第二圖數據對應的單位矩陣，d時間序列表示所述第二圖數據對應的度矩陣，l時間序列為歸一化矩陣，用于表示所述第二聚合特征。

22、在一些實施例中，所述通過所述空氣質量評估模型中的圖卷積層，對所述第一聚合特征進行特征擴展，得到所述第一聚合特征的擴展特征，基于所述擴展特征，對所述第二聚合特征進行特征提取，得到所述第二聚合特征的特征向量，包括：

23、通過所述圖卷積層的第一卷積單元，基于下述公式(7)和公式(8)，對所述第一聚合特征進行特征擴展，得到所述擴展特征：

24、

25、hi+2＝tanh(hi+1w影響因素聚合+b影響因素聚合)??????(8)

26、其中，w影響因素聚合表示m個隨機矩陣的和，rsn×f表示返回n×f隨機矩陣的函數，n表示所述第一圖數據中節點的數量，f表示經所述特征擴展后所述第一圖數據的特征數量，h表示所述第一圖數據對應的輸入矩陣，hi+2表示所述擴展特征，b影響因素聚合用于擬合訓練過程中出現的偏差；

27、通過所述圖卷積層的第二卷積單元，基于所述擴展特征和下述公式(9)、公式(10)，對所述第二聚合特征進行特征提取，得到所述特征向量：

28、

29、ki+1＝tanh(kiw時間序列聚合+b時間序列聚合)??????(10)

30、其中，w時間序列聚合表示m個隨機矩陣的和，rsf×z表示返回f×z隨機矩陣的函數，z表示所述特征提取后每個節點的特征數量，k表示包含所述第二圖數據的特征的矩陣，ki是基于所述擴展特征和relu激活函數得到的矩陣，ki+1表示所述特征向量，b時間序列聚合用于擬合訓練過程中出現的偏差。

31、在一些實施例中，通過所述空氣質量評估模型中的人工神經網絡層，對所述特征向量進行處理，輸出所述目標時間段內所述目標區域的空氣質量等級，包括：

32、通過所述人工神經網絡層，基于relu激活函數和softmax分類器，對所述特征向量進行處理，得到所述空氣質量等級，所述人工神經網絡層包括輸入層、隱藏層和輸出層，dropout的取值為0.2。

33、在一些實施例中，所述方法還包括：

34、基于下述任一種損失函數，對所述空氣質量評估模型進行訓練：交叉熵損失函數、均方誤差損失函數、hinge損失函數。

35、第二方面，本技術提供了一種基于圖神經網絡的空氣質量評估裝置，該裝置包括：

36、獲取模塊，用于獲取目標時間段內目標區域中的物聯網設備采集到的空氣濃度數據，所述空氣濃度數據包括一氧化碳co的時間序列濃度數據、二氧化氮no2的時間序列濃度數據、臭氧o3的時間序列濃度數據以及pm?2.5的時間序列濃度數據；

37、預處理模塊，用于對所述空氣濃度數據進行數據預處理，得到第一圖數據和第二圖數據，所述第一圖數據用于表征所述目標時間段內每個時間點對應的空氣中每種元素的濃度值，所述第二圖數據用于表征所述目標時間段的多個時間點；

38、輸入模塊，用于將所述第一圖數據和所述第二圖數據輸入空氣質量評估模型，所述空氣質量評估模型是基于深度學習訓練得到的圖神經網絡模型；

39、傳輸模塊，用于通過所述空氣質量評估模型中的圖數據傳輸層，對所述第一圖數據和所述第二圖數據分別進行數據聚合，得到所述第一圖數據對應的第一聚合特征和所述第二圖數據對應的第二聚合特征，所述第一聚合特征用于表征所述目標時間段內每個時間點對應的聚合空氣濃度，所述第二聚合特征用于表征所述目標時間段內多個時間點之間的關聯關系；

40、卷積模塊，用于通過所述空氣質量評估模型中的圖卷積層，對所述第一聚合特征進行特征擴展，得到所述第一聚合特征的擴展特征，基于所述擴展特征，對所述第二聚合特征進行特征提取，得到所述第二聚合特征的特征向量；

41、輸出模塊，用于通過所述空氣質量評估模型中的人工神經網絡層，對所述特征向量進行處理，輸出所述目標時間段內所述目標區域的空氣質量等級。

42、在一些實施例中，所述第一圖數據中一個節點用于表征一種元素的濃度值，連邊用于表征基于所述連邊所連接的兩個節點對應的濃度值得到相同空氣質量等級的概率符合條件；

43、所述第二圖數據中一個節點用于表征一個時間點，連邊用于表征兩個時間點之間的時間關系。

44、第三方面，本技術提供一種電子設備，該電子設備包括處理器和存儲器，所述存儲器存儲有程序代碼，所述處理器用于執行所述程序代碼，以實現上述基于圖神經網絡的空氣質量評估方法。

45、第四方面，本技術提供一種計算機可讀存儲介質，該計算機可讀存儲介質包括：當所述計算機可讀存儲介質中的程序代碼由電子設備的處理器執行時，使得電子設備能夠執行上述基于圖神經網絡的空氣質量評估方法。

46、應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本技術。