一种基于SNSPD颗粒物水平浓度反演与预测的系统及方法

一种基于snspd颗粒物水平浓度反演与预测的系统及方法
技术领域
1.本发明涉及利用snspd(超导单光子探测器)系统进行大气颗粒物水平浓度分布的反演与预测方法以及相关组件，尤其涉及一种基于snspd系统颗粒物水平浓度反演与预测的系统及方法，属于空气质量监测领域。


背景技术：

2.大气颗粒物pm
10
与pm
2.5
浓度是用于衡量空气质量的重要参数，进行高精度高分辨率的大气颗粒物水平浓度反演与预测是特定区域空气污染物高效监测、溯源与防治的重中之重，是保障人民身心健康的关键。
3.当前，对近地面大气颗粒物浓度分布的探测分析，主要依靠卫星探测所得气溶胶光学厚度，结合其他气象参数进行数据反演，以及地面监测网的直接数据测量。同时，随着激光雷达及其相关探测器的发展，也有部分学者利用激光雷达反演所得的消光系数与大气颗粒物浓度建立数学关系，利用消光系数反演激光雷达探测路径上的颗粒物浓度。
4.在现有技术中，卫星数据反演方法覆盖范围广，但其精度与分辨率较差；地面监测网虽然探测精度高，但由于监测站的分布不均无法提供所需范围全部的浓度数据。这两种探测手段都无法获取特定区域内颗粒物浓度的高分辨率分布。而当下利用激光雷达获取消光系数与颗粒物浓度建立数学关系，进而反演探测路径上的颗粒物浓度的方法可以获取一定区域内的颗粒物浓度数据。但同样存在着以下问题：普通激光雷达白天受背景光影响无法正常工作，且普通探测器效率较低，无法实现全天时的高分辨率探测，无法获取全天时高精度高分辨率消光系数水平分布；同时，由于缺乏对其他气象参数的考虑，利用激光雷达消光系数经验模型进行颗粒物浓度反演也存在较大误差，模型停留在线性与指数型，分辨率以及普适性较差，无法实现对颗粒物水平浓度分布的高分辨率与高精度探测。除此之外，由于缺乏高分辨率与高精度的颗粒物浓度反演数据，对其水平分布的高分辨率与高精度预测也无法进行。


技术实现要素：

5.针对现有技术在大气颗粒物浓度反演与预测中分辨率与精度不足的问题，本发明的主要目的是提供一种基于snspd系统颗粒物水平浓度反演与预测的系统及方法，通过基于snspd系统的结构获取高质量数据，建立snspd系统所得消光系数、气象参数测量设备所得气压、相对湿度以及温度数据与大气颗粒物浓度测量设备所得对应位置处大气颗粒物浓度之间的强耦合关系，对大气颗粒物水平浓度分布进行时间序列预测，提高颗粒物水平浓度的探测以及预测的分辨率与准确性。
6.本发明的目的是通过如下技术方案实现的：
7.本发明公开的一种基于snspd系统颗粒物水平浓度反演与预测的系统与方法，通过snspd系统获取消光系数的高分辨率水平分布；通过气象参数测量设备获取气压、相对湿度与温度数据；通过大气颗粒物浓度测量设备获取大气颗粒物浓度数据；利用神经网络建
立消光系数及气象参数与大气颗粒物浓度之间的强耦合关系。然后，将所需测量范围内的相关数据输入神经网络进行颗粒物浓度反演。最后，利用所得大气颗粒物浓度反演数据结合神经网络进行时间序列预测。提高颗粒物水平浓度的探测以及预测的分辨率与准确性。
8.本发明公开的一种基于snspd系统颗粒物水平浓度反演与预测的系统,包括snspd模块、气象参数测量设备、大气颗粒物浓度测量设备和数据存储处理模块。snspd系统、气象参数测量设备及大气颗粒物浓度测量设备的数据输出至数据存储处理模块中，反演神经网络及预测神经网络基于数据存储处理模块实现。
9.所述的snspd系统由1550nm波长的激光雷达、snspd、水平云台以及上位机组成。其中1550nm激光雷达作为发射机发射激光脉冲，snspd作为接收机接收返回的光子信号并将其传输至上位机中，上位机内置信号处理软件，负责对收到的光子信号进行处理，输出扫描范围内消光系数的水平分布；水平云台放置在上述三部分仪器的底部，以固定角速度进行旋转，实现snspd系统的区域范围扫描探测。
10.所述大气参数测量设备包括温度、湿度以及气压传感器。为后续颗粒物浓度反演提供温度、相对湿度以及气压数据，一并作为输入，训练用于反演的神经网络。通过训练好的反演神经网络减小所述三种气象参数对利用消光系数反演颗粒物浓度的不利影响。
11.所述大气颗粒物浓度测量设备用于进行移动且获取较为准确的颗粒物浓度数据，所获取的颗粒物浓度数据作为期望的输出，训练用于反演的神经网络，所述反演神经网络精度越高，颗粒物浓度的反演结果精度越高。
12.本发明公开的一种基于snspd系统的颗粒物水平浓度反演与预测方法，基于所述基于snspd系统的颗粒物水平浓度反演与预测系统实现，包括以下步骤：
13.步骤1、通过snspd模块和颗粒物浓度测量设备进行多位置与多时间段测量，结合气象参数测量设备实时数据建立训练样本数据集；
14.利用超导单光子探测系统获取高分辨率消光系数水平分布以及相应位置；利用气象参数测量设备获取超导单光子探测系统探测时对应的气压、相对湿度以及温度数据；利用大气颗粒物浓度测量设备获取超导单光子探测系统探测时探测范围内部分点处的pm
2.5
/pm
10
浓度数据。利用上述设备进行多时间多位置处的数据采集，建立训练样本数据集。
15.步骤2、对步骤1获得的数据进行预处理，得到预处理样本数据集；
16.将步骤1所得的样本数据集中的各项数据进行时间匹配，得到同一时间内的测量的各项数据；将pm
2.5
/pm
10
浓度数据与消光系数进行位置匹配，得到同一位置处的两种数据；匹配完成后与同一时间的气压、相对湿度以及温度数据共同构成一组预处理样本数据。将所有样本数据进行上述预处理后得到预处理样本数据集。
17.步骤3、根据步骤2所得的预处理数据集，训练用于反演的神经网络；
18.根据步骤2所得的预处理样本数据集，选择能够实现多输入单输出的网络结构以及能够增加网络非线性的激活函数与有效评价训练效果的损失函数，并根据需求设定训练目标与学习率，对神经网络进行网络权重初始化；将预处理样本数据集中的消光系数、气压、相对湿度以及温度作为输入，pm
2.5
/pm
10
浓度作为输出；将输入部分输入至网络中进行前向传播计算，得到网络的输出量，输出量是pm
2.5
/pm
10
反演浓度；根据网络输出量与预处理样本数据集中的pm
2.5
/pm
10
浓度计算损失函数值，若损失函数值达到预设的训练目标，则完成神经网络的训练；若所述的损失函数值未达到预设的训练目标，则利用反向传播算法计算
网络中各层的梯度，使用优化器更新网络中的权值与偏置，循环执行预处理样本数据集中的输入部分，输入网络进行前向传播计算得到输出量pm
2.5
/pm
10
浓度，并计算损失函数，直到损失函数值达到预设训练目标，则完成神经网络的训练。
19.步骤4、使用步骤3训练好的神经网络进行大气颗粒物水平浓度反演，提高颗粒物水平浓度的探测的分辨率与准确性；
20.获取所需位置范围内的温度、相对湿度、气压、消光系数及其位置，得到待输入数据；对上述数据进行时间匹配得到预处理待输入数据；将所述预处理待输入数据输入至已训练好的神经网络中，得到消光系数相应位置处的网络输出；将各个位置处的数据进行位置与时间组合，得到扫描范围内相应扫描时间的pm
2.5
/pm
10
水平浓度分布。
21.步骤5、根据步骤4连续反演所得颗粒物浓度水平分布数据建立预处理预测数据集；
22.将步骤4中连续反演获取的各个位置处不同时间的pm
2.5
/pm
10
浓度数据按照时间排序，得到预测数据集。将预测数据集进行标准化处理，并划分训练集与测试集。整理上述数据集的格式适配所选择的神经网络的数据输入格式，形成预处理预测数据集。
23.步骤6、根据步骤5所得的预处理预测数据集，训练用于预测的神经网络；
24.选择能够进行单输入单输出时间序列预测的神经网络作为预测神经网络，初始化神经网络参数，确定网络损失函数以及选择对网络优化性能高的优化器。根据输入数据的特征确定神经网络隐层特征维度，设定训练目标、学习率以及迭代次数。将预处理预测数据集中的训练集输入神经网络中，进行前向传播计算，结合损失函数、反向传播算法以及优化器更新神经网络参数，直到训练得到误差收敛的神经网络。随后确定评估指标，用测试集评估网络性能，并根据评估结果调整网络中隐层特征维度以及迭代次数。重复上述操作直到测试集评估结果符合训练目标，完成用于预测的神经网络的训练。
25.步骤7、根据步骤6训练好的预测神经网络进行颗粒物浓度水平分布时间序列预测，提高颗粒物水平浓度预测的分辨率与准确性。
26.将步骤4中连续反演所得的各个位置处不同时间的pm
2.5
/pm
10
浓度数据经过步骤5中数据预处理步骤处理后分别输入到训练好的网络中，得到各个位置处pm
2.5
/pm
10
浓度的时间序列预测结果，经过位置组合后最终得到扫描区域内pm
2.5
/pm
10
水平浓度分布的时间序列预测。
27.有益效果：
28.1、本发明公开的一种基于snspd系统颗粒物水平浓度反演与预测的结构，利用snspd系统获取消光系数水平分布及其位置，snspd系统所采用的激光雷达波长为1550nm，该波长的激光雷达对人眼安全，适合用于城市等人员密集区域的探测扫描，扩展了该反演系统的适用范围。同时其出色的抗干扰能力弥补普通激光雷达在白天无法工作的缺陷，能够实现全天时探测。全天时探测的优势使得所获取的消光系数水平分布具有时间连续性，以此为基础所反演的大气颗粒物浓度水平分布同样具有时间连续性，为后续的时间序列预测提供良好的数据基础，能够有效提高预测精度。
29.2、本发明公开的一种基于snspd系统颗粒物水平浓度反演与预测的结构，其中水平云台将snspd系统的探测范围由单一的激光路径扩展到了以激光雷达为圆心，其最远探测距离为半径的圆上，便于获取消光系数以及后续反演大气颗粒浓度水平分布；snspd系统
所用探测器为超导纳米线单光子探测器，其超高的探测性能提高snspd系统消光系数的探测分辨率，利用高分辨的消光系数水平分布反演颗粒物浓度，提高颗粒物水平浓度反演的分辨率。
30.3、本发明公开的一种基于snspd系统的颗粒物水平浓度反演与预测方法，利用神经网络结合气象参数，建立消光系数、气象参数与大气颗粒物之间浓度强耦合关系，提高颗粒物浓度的反演精度。
31.4、本发明公开的一种基于snspd系统的颗粒物水平浓度反演与预测方法，将各个位置处不同时间的pm
2.5
/pm
10
浓度数据，经过预处理后，分别作为输入训练神经网络，得到能够用于预测的神经网络。利用时间序列预测进行各个位置处pm
2.5
/pm
10
浓度的预测，得到扫描区域内pm
2.5
/pm
10
水平浓度分布的时间序列预测。利用高分辨率的大气颗粒物水平浓度分布分别输入神经网络中进行预测，所得预测结果将同样具有高分辨率的优势。并且上述所用训练以及输入的反演数据具有高精度的优势，结合不断优化达到良好预测性能的时间序列预测神经网络，所得大气颗粒物浓度预测结果也具有高精度的优势。
附图说明
32.图1是本发明公开的一种基于snspd系统颗粒物水平浓度反演与预测结构的示意图；
33.图2是本发明公开的一种基于snspd系统的颗粒物水平浓度反演与预测方法的流程图；
34.图3是本发明公开的大气颗粒物浓度反演神经网络训练流程图；
35.图4是本实施例公开的bp神经网络结构图；
36.图5是本实施例公开的大气颗粒物浓度预测数据预处理流程。
具体实施方式
37.下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
38.本实施例公开的一种基于snspd系统颗粒物水平浓度反演与预测结构，如图1所示，包括高性能计算机系统，snspd系统，颗粒物浓度测量设备以及气象参数测量设备。其中：snspd系统用于全天时获取消光系数的高分辨率水平分布，本实施例所采用的snspd系统包括1550nm激光雷达、水平云台、snspd以及计算处理设备。1550nm激光雷达满足人眼安全，全天时探测的要求。使得我们可以利用此设备在人员密集的城市范围进行探测，同时全天时探测的优势使得该设备所获取的消光系数水平分布具有时间连续性，以此为基础所反演的大气颗粒物浓度水平分布同样具有时间连续性，这为后续的时间序列预测提供了良好的数据基础，能够有效提高预测精度。而水平云台则是将snspd系统的探测范围由单一的激光路径扩展到了以激光雷达为圆心，其最远探测距离为半径的圆上。这为获取消光系数以及后续反演与预测大气颗粒浓度水平分布提供了可能。而snspd系统所用探测器为超导纳米线单光子探测器，其探测效率高于95％，暗计数率低于0.5cps，最大计数率大于50mhz。其中探测效率为探测器的光响应计数与输入到探测器的总光子数n的比值；暗计数率是除信
号光以外其他误触发引起的技术，表征器件的噪声水平；最大计数率为探测器每秒钟能够产生输出的最大光响应数目。本实施例所选的该探测器其超高性能极大地提高了我们利用snspd系统获取的消光系数水平分布的时空分辨率，也就极大提高了以此为基础的大气颗粒物浓度水平分布反演与预测的时空分辨率。
39.颗粒物浓度测量设备仅用于网络训练的步骤，进行相应位置上大气颗粒物浓度数值的获取，本实施例选择环境颗粒物监测仪进行不同位置上大气颗粒物浓度数据的获取。而气象参数测量设备用于获取温度、相对湿度以及气压数据，本实施例选择温湿度传感器以及气压传感器作为气象参数测量设备；高性能计算机系统用于预处理数据以及训练神经网络，进行数据的输入、处理以及输出。神经网络训练阶段，高性能计算机系统接收其他三个设备消光系数、大气颗粒物浓度、温度、相对湿度以及气压的输入，进行预处理后训练神经网络，利用反向传播算法以及优化器优化网络参数；神经网络训练完成后，高性能计算机系统用于接收snspd系统以及气象参数测量的数据，预处理后经由训练好的神经网络计算，得到相应位置处的大气颗粒物浓度值；在获取足够多的大气颗粒物水平浓度分布数据后，再经由高性能计算机系统训练预测神经网络，用其进行时间序列预测，获取大气颗粒物水平浓度分布预测数据。本实施例所采用的高性能计算系统为搭载3070显卡的计算机设备，并配备各种设备接口。
40.本实施例公开的一种基于snspd系统的颗粒物水平浓度反演与预测方法，如图2，包括以下步骤：
41.步骤1、通过snspd系统以及颗粒物浓度测量设备进行多位置与多时间段测量，结合气象参数测量设备实时数据建立训练样本数据集；
42.获取snspd系统反演的消光系数水平分布，获取环境颗粒物监测仪所在位置处的pm
2.5
/pm
10
浓度，获取气压传感器以及温湿度传感器的气压、相对湿度与温度数据；利用snspd系统、环境颗粒物监测仪、气压传感器以及温湿度传感器进行多位置与多时间段测量，获取足量数据，建立训练样本数据集；
43.步骤2、对步骤1获得的数据进行预处理，得到预处理样本数据集；
44.对相关数据进行数据预处理，处理步骤包括：由于所获数据具有时空特性，需要对其进行位置匹配与时间匹配；消光系数等带有位置特性，需要将pm
2.5
/pm
10
浓度与其进行位置匹配。温度、相对湿度以及气压在一定空间范围内相差很小，这里我们不对这三种数据进行位置匹配，统一用特定位置处的数值作为扫描范围内的共同值；同时这些数据都具有时效性，需要获取同一时间的数据进行时间匹配。将同一位置与同一时间处的数据作为一组数据进行分类，完成时间匹配与位置匹配，得到预处理样本数据集。
45.步骤3、根据步骤2所得的预处理数据集，训练用于反演的神经网络；
46.将预处理样本数据集中各组消光系数、气压、温度、相对湿度数据作为输入，pm
2.5
/pm
10
浓度数据作为输出，训练神经网络。训练步骤如图3所示，这里我们以bp神经网络作为实施例进行解释说明，首先进行神经网络的初始化，包括根据预处理样本数据集选择合适的网络结构、激活函数以及损失函数；进行网络权重的初始化，设置训练目标以及学习率。
47.由于bp神经网络的隐层神经元数量合理的基础上，能够利用单隐层bp神经网络实现任意闭合区间内连续函数的网络逼近。同时，单隐层bp神经网络还可以实现任何x维到y维的映射。所以这里我们选择单隐层bp神经网络作为网络结构；上述结构的基础在于合理
的隐层神经元数量，数量的确定需要依据设计者经验与多次实验进行。这里我们根据几个经验公式确定神经元数量的范围：利用输入与输出神经元的数量经验公式先确定一个范围：其中n1为隐层神经元数量，n为输入神经元数量，m为输出神经元的数量，a为设定在1-10范围的常数。以我们所述的输入输出神经元数量为例，输入包括4个神经元，输出为单个神经元，所以经过计算我们可得隐层神经元数量的第一个范围：这里n1取正整数。即n1取值为4-12的正整数。利用输入样本数量确定隐层神经元数量的第二个范围：其中nh为隐层神经元数量，ni为输入神经元数量，no为输出神经元数量，ns为训练集的样本数量，α为设置在2-10范围的常数；这里我们输入样本集数量取100，则计算可知，隐层神经元数量取值范围为2-10的正整数；又由隐层神经元数量应在输入层与输出层大小之间，即取值应位于1-4之间。综上可得，隐层神经元的数量选择4。根据上述条件所设计的bp神经网络结构图如图4所示，所设计bp神经网络包括输入层、隐层以及输出层三层结构；其中输入层有四个神经元，分别代表消光系数、温度、相对湿度以及气压预处理后的数据输入；输出层仅有一个神经元，代表pm
2.5
/pm
10
浓度输出。隐层设计为4个神经元。
48.根据样本数量以及输入输出等条件确定了网络结构后，选择合适的激活函数、损失函数；这里的激活函数分为隐层与输出层两个部分，隐层的激活函数本实施例选择relu函数，其表达式为：f(x)＝max(0,x)；输出层的激活函数本实施例选择sigmoid函数，其表达式为：这里的损失函数本实施例选择均方误差对数损失函数其中n为样本数，为神经网络计算结果，yi为期望的输出数据值，即预处理样本集中的pm
2.5
/pm
10
浓度数据。
49.对网络权重进行初始化同样的需要分为两个部分进行，输入层到隐层的初始化方法本实施例选择he初始化方法，此方法适用于激活函数为relu的网络。其步骤如下：若选择正态分布初始化网络权重，则若选择均匀分布初始化网络权重，则其中w
ij
为输入层到隐层的网络权重，d为输入神经元数量或输出神经元数量；隐层到输出层权重初始化本实施例选择xavier初始化方法，步骤为：若选择正态分布初始化网络权重，则若选择均匀分布初始化网络权重，则其中w
jk
为隐层到输出层的网络权重，u为输入神经元数量，v为输出神经元数量。
50.设置训练目标以及学习率进行训练，本实施例将训练目标设置为0.01，学习率设置为0.001，最大迭代次数为1000；将预处理样本数据集中的pm
2.5
/pm
10
浓度数据作为期望的输出数据值；将预处理样本数据集中的消光系数、温度、相对湿度以及气压作为输入值输入
到神经网络，进行前向传播计算。前向传播计算的方向如图4所示；
51.本实施例所选的bp神经网络的前向传播计算方法如下：其中f为隐层激活函数，o
1j
为输入层到输出层的中间计算结果，bj为第j个隐层神经元的偏置；其中g为输出层激活函数，o
2k
为输入层到输出层的中间计算结果，bk为第k个隐层神经元的偏置，这里输出只有一个，k取1；根据得到的网络输出量代入损失函数，与期望输出值一同输入计算损失函数的值，判断是否满足训练要求；若满足训练要求，则bp神经网络训练结束；
52.若不满足要求，则利用反向传播算法计算网络中各层的梯度，反向传播计算的方向如图4所示；利用反向传播以及链式法则计算每个神经元输出值对误差的偏导数，利用链式法则计算权重对误差的偏导数得到权重梯度；本实施例所选的损失函数如前所述为神经网络计算结果，结合上述的前向传播计算方法以及链式法则计算输出层权重与偏置的梯度：再根据链式法则，计算隐层权重与偏置的梯度：
53.利用优化器更新网络的权重与偏置，本实施例选择adam自适应学习率优化器，其步骤如下：计算每个参数θ
t
过往梯度与当前梯度的平均得到梯度一阶矩m
t
；计算θ
t
过往梯度平方与当前梯度平方的平均得到梯度二阶矩v
t
；用公式对一阶矩进行校正，减小向零偏置的影响；用公式对一阶矩进行校正，减小向零偏置的影响；上述公式中，t为更新的步数，也就是当前迭代次数，β1为一阶衰减系数，默认值为0.9；β2为二阶衰减系数，默认值为0.999；利用上述计算结果更新参数：其中α为学习率，默认值为0.001；ε是为了避免除数为0，其值设置为10-8
。
54.利用更新参数后的网络重复输入预处理数据集中的消光系数、温度、相对湿度以及气压作为到神经网络，进行前向传播计算到判断网络是否符合要求的步骤，直到所训练的网络符合要求，或者达到设置的最大迭代次数。若达到训练要求，则神经网络训练完成；若达到最大迭代次数停止还未达到训练要求，则以当前参数为基础，重新开始新一轮的训练，直到达到训练要求，完成神经网络的训练。经过优化器的优化，网络的性能不断提高，直到达到我们所设定的训练目标。因此我们利用神经网络所得到的输出值与所期望的输出值差值很小。
55.步骤4、使用步骤3训练好的神经网络进行大气颗粒物水平浓度反演，提高颗粒物水平浓度的探测的分辨率与准确性。
56.获取所需位置范围内的温度、相对湿度、气压、消光系数及其位置，得到待输入数据；对待输入数据进行时间匹配与位置匹配得到预处理待输入数据，相关步骤与上文获取
训练伸进网络数据的步骤相同；将所述预处理待输入数据输入至已训练好的神经网络中，得到消光系数相应位置处的网络输出；将各个位置处的数据进行位置与时间组合，得到扫描范围内相应扫描时间的pm
2.5
/pm
10
水平浓度分布；如上所述，我们所得到的网络输出值经过训练，达到我们预设目标，网络输出值与期望的输出值差值很小，这样，我们所得到的每个位置处的大气颗粒物浓度值精度很高，实现了高精度反演，而又由于上述输入中的消光系数由于snspd系统提高了其时空分辨率，其所对应的大气颗粒物浓度的时空分辨率也得到了同样的提高。所以，我们利用此方法所得大气颗粒物浓度水平分布具有高精度以及高分辨率的优势。
57.步骤5、根据步骤4连续反演所得颗粒物浓度水平分布数据建立预处理预测数据集
58.获取足够长时间的数据，本实施例选择获取5天内连续120小时的逐小时pm
2.5
/pm
10
浓度水平分布数据。然后对各个位置处不同时间的pm
2.5
/pm
10
浓度数据进行数据预处理，划分训练集与测试集。所述数据预处理流程如图5所示，所述数据预处理过程包括对同一位置数据分组并按时间排序形成预测数据集，再进行标准化处理，得到标准化预测数据集；本实施例采用z-score标准化算法对数据进行标准化处理得到预处理预测数据集。其步骤包括：获取预测数据集的均值与标准差；均值标准差其中μ表示预测数据集数据的均值，xi中i表示数据不同时间的值。n为数据个数，σ表示预测数据集的标准差。利用公式处理原始数据，获取标准化处理后的数据x
inew
，处理后的数据将组成标准化预测数据集。按照时间顺序划分数据集为训练集与测试集，本实施例将前80％数据也就是前96小时的逐小时数据划分为训练集，剩下的20％数据也就是后24小时的逐小时数据划分为测试集。整理预处理预测数据集的格式，适配神经网络模型。本实施例选择lstm神经网络进行数据预测，lstm所希望的输入数据是三维数据,其中x为每个序列的长度，y为序列的个数，z为输入数据纬度。根据预处理预测数据集中的数据特征对数据进行格式匹配。本实施例设定为x＝24,y＝72,z＝1。
59.步骤6、根据步骤5所得的预处理预测数据集，训练用于预测的神经网络；
60.首先确定网络结构，本实施例采用lstm神经网络进行时间序列预测，由于输入和输出对于每小时的数据都是1个值，选择输入神经元数量与输出神经元数量均为1，lstm的层数设定为1；并且根据经验，将隐层特征维度初始值设定为100。然后确定网络的损失函数以及优化器。本实施例所采用的损失函数为均方误差函数，优化器为adam优化器，均方误差函数其表达式为：其中，n为样本数，为神经网络计算结果，yi为期望的输出数据值。设定迭代次数为1000，学习率为0.001。网络参数利用随机数进行初始化。
61.本实施例神经网络的创建以及训练通过pytorch进行，将上述参数输入至pytorch中的lstm模型完成神经网络构建，将预处理预测数据集中的训练集输入网络进行训练，利用优化器与损失函数不断优化网络参数。训练结果误差若是收敛则完成训练，若是不收敛则重复训练，直到得到误差收敛的神经网络。随后利用测试集评估网络性能，评估方法本实施例选择与上述网络训练过程中误差函数相同的均方误差函数。根据评估结果调整迭代次数与隐层特征维度等参数，重复训练的过程，直到达到我们所设置的训练目标，则完成神经
网络的训练。
62.步骤7、进行颗粒物浓度水平分布时间序列预测，提高颗粒物水平浓度预测的分辨率与准确性。
63.将所需预测区域内的大气颗粒物时间序列数据经上述相同预处理后，输入到训练好的网络中，得到时间序列预测结果，经过反标准化后得到各个位置处pm
2.5
/pm
10
浓度的预测，最终得到扫描区域内pm
2.5
/pm
10
水平浓度分布的时间序列预测；反标准化利用以下公式进行：y
t
＝y
·
σ+μ，其中y
t
为反标准化后的值，y为网络输出的预测值，σ表示输入的数据集的标准差，μ表示输入的数据集数据的均值。我们所用的预测数据是具有高精度以及高分辨率的大气颗粒物浓度水平分布，并且结合优化调整后预测性能好的lstm进行时间序列预测，所以，所得时间序列预测结果同样具有高精度以及高分辨率的优点。
64.以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于snspd系统颗粒物水平浓度反演与预测的系统，其特征在于：包括snspd模块、气象参数测量设备、大气颗粒物浓度测量设备和数据存储处理模块；snspd系统、气象参数测量设备及大气颗粒物浓度测量设备的数据输出至数据存储处理模块中，反演神经网络及预测神经网络基于数据存储处理模块实现；所述的snspd系统由1550nm波长的激光雷达、snspd、水平云台以及上位机组成；其中1550nm激光雷达作为发射机发射激光脉冲，snspd作为接收机接收返回的光子信号并将其传输至上位机中，上位机内置信号处理软件，负责对收到的光子信号进行处理，输出扫描范围内消光系数的水平分布；水平云台放置在上述三部分仪器的底部，以固定角速度进行旋转，实现snspd系统的区域范围扫描探测；所述大气参数测量设备包括温度、湿度以及气压传感器；为后续颗粒物浓度反演提供温度、相对湿度以及气压数据，一并作为输入，训练用于反演的神经网络；通过训练好的反演神经网络减小所述三种气象参数对利用消光系数反演颗粒物浓度的不利影响；所述大气颗粒物浓度测量设备用于进行移动且获取较为准确的颗粒物浓度数据，所获取的颗粒物浓度数据作为期望的输出，训练用于反演的神经网络，所述反演神经网络精度越高，颗粒物浓度的反演结果精度越高。2.一种基于snspd系统的颗粒物水平浓度反演与预测方法，基于一种基于snspd系统颗粒物水平浓度反演与预测的结构实现，其特征在于：包含以下步骤，步骤1、通过snspd系统以及颗粒物浓度测量设备进行多位置与多时间段测量，结合气象参数测量设备实时数据建立训练样本数据集；步骤2、对步骤1获得的数据进行预处理，得到预处理样本数据集；步骤3、根据步骤2所得的预处理数据集，训练用于反演的神经网络；步骤4、使用步骤3训练好的神经网络进行大气颗粒物水平浓度反演，提高颗粒物水平浓度的探测的分辨率与准确性；步骤5、根据步骤4连续反演所得颗粒物浓度水平分布数据建立预处理预测数据集；步骤6、根据步骤5所得的预处理预测数据集，训练用于预测的神经网络；步骤7、根据步骤6训练好的预测神经网络进行颗粒物浓度水平分布时间序列预测，提高颗粒物水平浓度预测的分辨率与准确性。3.如权利要求2所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤1的实现方法为，利用超导单光子探测系统获取高分辨率消光系数水平分布以及相应位置；利用气象参数测量设备获取超导单光子探测系统探测时对应的气压、相对湿度以及温度数据；利用大气颗粒物浓度测量设备获取超导单光子探测系统探测时探测范围内部分点处的pm
2.5
/pm
10
浓度数据；利用上述设备进行多时间多位置处的数据采集，建立训练样本数据集。4.如权利要求3所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤2的实现方法为，将步骤1所得的样本数据集中的各项数据进行时间匹配，得到同一时间内的测量的各项数据；将pm
2.5
/pm
10
浓度数据与消光系数进行位置匹配，得到同一位置处的两种数据；匹配完成后与同一时间的气压、相对湿度以及温度数据共同构成一组预处理样本数据；将所有样本数据进行上述预处理后得到预处理样本数据集。
5.如权利要求4所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤3的实现方法为，根据步骤2所得的预处理样本数据集，选择能够实现多输入单输出的网络结构以及能够增加网络非线性的激活函数与有效评价训练效果的损失函数，并根据需求设定训练目标与学习率，对神经网络进行网络权重初始化；将预处理样本数据集中的消光系数、气压、相对湿度以及温度作为输入，pm
2.5
/pm
10
浓度作为输出；将输入部分输入至网络中进行前向传播计算，得到网络的输出量，输出量是pm
2.5
/pm
10
反演浓度；根据网络输出量与预处理样本数据集中的pm
2.5
/pm
10
浓度计算损失函数值，若损失函数值达到预设的训练目标，则完成神经网络的训练；若所述的损失函数值未达到预设的训练目标，则利用反向传播算法计算网络中各层的梯度，使用优化器更新网络中的权值与偏置，循环执行预处理样本数据集中的输入部分，输入网络进行前向传播计算得到输出量pm
2.5
/pm
10
浓度，并计算损失函数，直到损失函数值达到预设训练目标，则完成神经网络的训练。6.如权利要求5所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤4的实现方法为，获取所需位置范围内的温度、相对湿度、气压、消光系数及其位置，得到待输入数据；对上述数据进行时间匹配得到预处理待输入数据；将所述预处理待输入数据输入至已训练好的神经网络中，得到消光系数相应位置处的网络输出；将各个位置处的数据进行位置与时间组合，得到扫描范围内相应扫描时间的pm
2.5
/pm
10
水平浓度分布。7.如权利要求6所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤5的实现方法为，将步骤4中连续反演获取的各个位置处不同时间的pm
2.5
/pm
10
浓度数据按照时间排序，得到预测数据集；将预测数据集进行标准化处理，并划分训练集与测试集；整理上述数据集的格式适配所选择的神经网络的数据输入格式，形成预处理预测数据集。8.如权利要求7所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤6的实现方法为，选择能够进行单输入单输出时间序列预测的神经网络作为预测神经网络，初始化神经网络参数，确定网络损失函数以及选择对网络优化性能高的优化器；根据输入数据的特征确定神经网络隐层特征维度，设定训练目标、学习率以及迭代次数；将预处理预测数据集中的训练集输入神经网络中，进行前向传播计算，结合损失函数、反向传播算法以及优化器更新神经网络参数，直到训练得到误差收敛的神经网络；随后确定评估指标，用测试集评估网络性能，并根据评估结果调整网络中隐层特征维度以及迭代次数；重复上述操作直到测试集评估结果符合训练目标，完成用于预测的神经网络的训练。9.如权利要求8所述的一种基于snspd系统的颗粒物水平浓度反演与预测方法，其特征在于：步骤7的实现方法为，将步骤4中连续反演所得的各个位置处不同时间的pm
2.5
/pm
10
浓度数据经过步骤5中数据预处理步骤处理后分别输入到训练好的网络中，得到各个位置处pm
2.5
/pm
10
浓度的时间序列预测结果，经过位置组合后最终得到扫描区域内pm
2.5
/pm
10
水平浓度分布的时间序列预测。

技术总结
一种基于SNSPD系统颗粒物水平浓度反演与预测的系统与方法，属于空气质量监测领域。本发明通过SNSPD系统获取消光系数的高分辨率水平分布；通过气象参数测量设备获取气压、相对湿度与温度数据；通过大气颗粒物浓度测量设备获取大气颗粒物浓度数据；并利用神经网络建立消光系数及气象参数与大气颗粒物浓度之间的强耦合关系。然后，将所需测量范围内的相关数据输入神经网络进行颗粒物浓度反演。最后，利用所得大气颗粒物浓度反演数据结合神经网络进行时间序列预测。本发明适用于气象监控与预报、环境监控等领域，提高颗粒物水平浓度的探测以及预测的分辨率与准确性。测以及预测的分辨率与准确性。测以及预测的分辨率与准确性。


技术研发人员：李中翔 郑金雄 胡纯 郑德智
受保护的技术使用者：北京理工大学
技术研发日：2023.04.17
技术公布日：2023/7/25