随着时代的发展和环保意识的提高,人们越来越重视空气污染问题。相关机构设立了大量环境监测点,有效地测定了空气中污染物的浓度,为我们提供了大量的数据支持。对测定的空气污染浓度数据进行分析预测,能有效指导大气污染防治措施的制定。为了能够进一步提高空气污染浓度预测的精度,本文综合分析了空气污染数据的时空特征和多种污染物之间的相关性,提出了新的污染浓度预测模型。本文主要的研究内容如下:(1)数据预处理与相关性分析。首先对获取的空气污染数据和气象数据进行缺失值处理和非数值型数据进行量化。在预处理后的空气污染数据集上,利用自相关性衡量污染数据的时间相关性,使用Pearson相关系数计算监测点之间的空间相关性和多种污染物之间的因素相关性,为预测模型提供数据分析基础。(2)基于风向余弦自适应近邻的环境监测点空间关联度计算方法。考虑了多种污染物在空间中并不是独立存在的,多个监测点之间会相互扩散、相互影响,并且风向因素也会对污染扩散产生影响。通过计算风向余弦相似度衡量空间相关性,并进行实验证明了构建风向余弦自适应近邻的时空矩阵,相较于欧式近邻时空矩阵和所有监测点的时空矩阵,能有效提高空气污染浓度预测模型的预测精度。(3)基于多因素注意力机制的Encoder-Decoder预测模型。由于空气污染浓度数据时间维度上相对稀疏,数据呈现出强烈的波动性,仅考虑污染数据的时间依赖性预测效果不佳。需要考虑多种污染物之间的相互转化、相互抵消,即多种污染物之间的相关性,以及空间中多个监测点的相互影响关系。引入了多因素注意力机制,使用Encoder-Decoder模型进行预测。最终实验证明了提出的空气污染浓度预测模型预测结果更佳。(4)空气污染浓度分析系统的设计与实现。该系统使用Vue和Node.js实现前后端分离开发,并结合百度地图API实现地图可视化和Echarts实现折线图和柱状图可视化污染数据和预测精度,清晰明了,界面多样。