技术特征：
1.一种基于图神经网络的监测站点重要性评估方法，其特征在于，包括：s1.获取目标区域内每一个监测站点的相关数据，相关数据包括地理信息、不同历史时间段的污染物浓度；通过相关数据构建目标区域内所有监测站点不同历史时间段的图结构表示；s2.所有监测站点不同历史时间段的图结构表示作为输入，训练图神经网络模型，输出为目标区域的空气质量指数；s3.实时获取最新时间段内所有监测站点的污染物浓度，并构建最新时间段对应的第一图结构表示，将第一图结构输入训练好的图神经网络模型得到第一预测结果；s4.根据贪婪最佳优先搜索算法对第一图结构表示进行搜索，得到第二图结构表示；其中，采用改进的shapley value作为贪婪最佳优先搜索算法的启发函数；s5.将第二图结构表示输入训练好的图神经网络模型得到第二预测结果，判断第二预测结果与第一预测结果是否小于相似阈值，若是，则该第二图结构表示作为重要监测站点图结构表示输出，若不是，则返回s4继续搜索；s6.构建重要性排序模块，所述重要性排序模块包括多种排序方法，首先通过扰动方法对重要监测站点图结构表示进行重要性排序；s7.设计验证算法验证重要性排序结果是否准确，若是，则输出重要性排序结果，否则通过重要性排序模块更换排序方法进行排序。2.根据权利要求1所述的一种基于图神经网络的监测站点重要性评估方法，其特征在于，步骤s1生成所有监测站点在历史时间段u的图结构表示的过程为：s11.获取目标区域内每一个监测站点的经纬度信息，计算每两个监测站点间的距离，计算公式表示为：a＝lat
m-lat
n
b＝lung
m-lung
n
其中，d表示监测站点m和监测站点n间的距离，a表示监测站点m和监测站点n的经度差值，b表示监测站点m和监测站点n的纬度差值，r表示地球半径，lat
m
表示监测站点m的纬度，lat
n
表示监测站点n的纬度，lung
m
表示监测站点m的经度，lung
n
表示监测站点n的经度；m,n∈n，n表示目标区域内的监测站点总数；s12.选取目标区域内的任一监测站点作为第一监测站点；s13.将第一监测站点与其余监测站点间的距离按照从小到大的顺序排序，选择前k个监测站点与第一监测站点进行加边操作；若监测站点间存在边则不用重复添加；s14.判断是否还有监测站点没有做过第一监测站点，若是，则将该监测站点作为第一监测站点返回步骤s13，若不是，则得到所有监测站点组成的图结构表示；s15.在当前图结构表示中，每一个节点表示一个监测站点，并采用该监测站点在历史时间段u的污染物浓度作为节点特征，边的特征向量表示成[距离，经度1，纬度1，经度2，纬度2]。3.根据权利要求1所述的一种基于图神经网络的监测站点重要性评估方法，其特征在
于，改进的shapley value表示为：value表示为：value表示为：value表示为：其中，表示在f()中对输出的贡献，表示一个随机图结构，s
t
表示从节点集合中随机选取的节点子集，f()表示图神经网络模型，λ
t
表示修正后的系数，p表示目标区域内所有监测站点的集合，表示中节点的集合，t表示随机采样次数，λ
t
表示节点子集s
t
的权重，λ0表示1与随机t个节点子集的权重和的差值，|s
t
|表示节点子集s
t
中的节点个数，|p|表示目标区域内所有监测站点的数目。4.根据权利要求3所述的一种基于图神经网络的监测站点重要性评估方法，其特征在于，采用改进的shapley value作为贪婪最佳优先搜索算法的启发函数进行搜索，过程包括：s21.初始化最新时间段内的第二图结构表示s22.根据启发函数在第一图结构表示中搜索重要监测站点并加入第二图结构表示中；s23.将第二图结构表示输入训练好的图神经网络模型得到第二预测结果，判断第二预测结果与第一预测结果是否小于相似阈值，若是，则该第二图结构表示作为重要监测站点图结构表示输出，若不是，则返回s22继续搜索；判断第二预测结果与第一预测结果是否接近的公式为：其中，表示第一预测结果，表示目标区域内所有监测站点在最新时间段的第一图结构表示，表示第二预测结果，η表示控制和在f()中相似程度的超参数，即相似阈值。5.根据权利要求1所述的一种基于图神经网络的监测站点重要性评估方法，其特征在于，步骤s6通过扰动方法对重要监测站点图结构表示进行重要性排序，包括：s31.设置迭代阈值q，令迭代次数为q＝1；s32.在第一图结构表示中随机选取m个监测站点进行掩膜，即在第一图结构表示中将这m个监测站点对应的节点特征表示为0；
s33.采用贪婪最佳优先搜索算法对s32得到的结果进行搜索，得到掩膜后重要监测站点图结构s33.判断是否满足q≤q，若是，则q＝q+1并返回步骤s32；否则迭代结束，得到扰动集合记录重要监测站点图结构表示中每一个站点在扰动集合中的出现次数，按照出现次数由高到低进行排列，得到重要监测站点的重要性排序。6.根据权利要求1所述的一种基于图神经网络的监测站点重要性评估方法，其特征在于，步骤s7的验证过程包括：s41.根据重要性排序结果，选取前n个监测站点和后n个监测站点分别对重要监测站点图结构表示进行掩膜，得到第一掩膜图和第二掩膜图；s42.将第一掩膜图和第二掩膜图输入训练好的图神经网络模型中，得到第一预测值和第二预测值；s43.若第一预测值大于第二预测值，则输出重要性排序结果，否则更换排序方法进行排序。7.一种基于图神经网络的监测站点重要性评估系统，其特征在于，包括历史数据存储模块、图结构组成模块、图神经网络训练模块、实时数据获取模块、贪婪搜索模块、第一可视化模块、第一判断模块、排序模块、第二判断模块和第二可视化模块，其中：历史数据存储模块，用于存储区域内所有监测站点的历史时间段的污染物浓度数据，以及各监测站点的地理信息；图结构组成模块，用于通过监测站点的地理信息和污染物浓度数据构建图结构表示；图神经网络训练模块，用于根据历史数据构建的图结构表示训练图神经网络，输出区域的空气质量指数；实时数据获取模块，用于获取最新时间段内所有监测站点的污染物浓度，并通过图结构组成模块构建最新时间段对应的第一图结构表示，将第一图结构输入训练好的图神经网络模型得到第一预测结果；贪婪搜索模块，用于根据贪婪最佳优先搜索算法对第一图结构表示进行搜索，得到第二图结构表示，并将第二图结构表示输入训练好的图神经网络模型得到第二预测结果；第一可视化模块，用于输出贪婪搜索模块的搜索结果，展现在显示屏上；第一判断模块，用于判断第二预测结果与第一预测结果是否接近，若是，则该第二图结构表示作为重要监测站点图结构表示输出，若不是，则返回贪婪搜索模块继续搜索；排序模块，用于对重要监测站点图结构表示进行重要性排序；第二判断模块，用于通过验证算法验证重要性排序结果是否准确，若是，则输出重要性排序结果，否则通过排序模块更换排序方法进行排序；第二可视化模块，用于在显示屏上输出最终的重要性排序结果。
技术总结
本发明属于空气污染监测领域和可解释机器学习领域，具体涉及一种基于图神经网络的监测站点重要性评估方法及系统；该方法包括获取目标区域内监测站点的相关数据并构建图结构表示；采用图结构表示训练图神经网络模型；获取最新时间段的第一图结构表示及其第一预测结果；根据贪婪最佳优先搜索算法搜索第一图结构表示得到第二图结构表示及其第二预测结果，且改进的Shapley Value为启发函数；比较第一预测结果与第二预测结果获取重要监测站点图结构表示；通过扰动对重要监测站点图结构表示进行重要性排序；设计验证算法验证重要性排序结果是否准确；本发明提供了一种站点评估方法，有助于辅助站点的选址以及现有站点的拆除工作。工作。工作。
技术研发人员：张晓霞 叶孟胜
受保护的技术使用者：重庆邮电大学
技术研发日：2022.10.14
技术公布日：2023/1/2