Extraction of PM2.5 diffusion characteristics based on candlestick pattern matching

doi:10.11772/j.issn.1001-9081.2022030437

Journal of Computer Applications ›› 2023, Vol. 43 ›› Issue (5): 1394-1400.DOI: 10.11772/j.issn.1001-9081.2022030437

Special Issue: 第九届中国数据挖掘会议(CCDM 2022)

• China Conference on Data Mining 2022 (CCDM 2022) • Previous Articles Next Articles

Extraction of PM_2.5 diffusion characteristics based on candlestick pattern matching

Rui XU¹, Shuang LIANG¹, Hang WAN²(), Yimin WEN¹, Shiming SHEN³, Jian LI¹

^1.College of Computer and Information Security，Guilin University of Electronic Technology，Guilin Guangxi 541004，China
^2.Southern Marine Science and Engineering Guangdong Laboratory （Guangzhou），Guangzhou Guangdong 511458，China
^3.Satellite Navigation Positioning and Location Service National and Local Joint Engineering Research Center （Guilin University of Electronic Technology），Guilin Guangxi 541004，China

Received:2022-04-06 Revised:2022-06-02 Accepted:2022-06-15 Online:2023-05-08 Published:2023-05-10
Contact: Hang WAN
About author:LIANG Shuang， born in 1994， M. S. candidate. Her research interests include environmental forecasting， deep learning and environmental big data.
WAN Hang， born in 1989， Ph. D.， assistant research fellow. His research interests include deep learning and environmental big data.
WEN Yimin， born in 1969， Ph. D.， professor. His research interests include machine learning and data mining， recommender system， computer vision， big data analysis， artificial intelligence security， media analysis.
SHEN Shiming， born in 1985， M. S.， assistant research fellow. Her research interests include environmental big data analysis.
LI Jian， born in 1991， M. S.， assistant research fellow. His research interests include deep learning and environmental remote sensing.
Supported by:
Guangxi Natural Science Foundation(2021JJA170096);Guangxi Key Research and Development Program(AB21196063);Major Achievement Transformation Foundation of Guilin(20192013-1);Innovation and Entrepreneurship Training Program for College Students of Guilin University of Electronic(202010595031)

基于烛台图模式匹配的PM_2.5扩散特征的提取

许睿¹, 梁爽¹, 万航²(), 文益民¹, 沈世铭³, 李建¹

^1.桂林电子科技大学计算机与信息安全学院，广西桂林 541004
^2.南方海洋科学与工程广东省实验室（广州），广州 511458
^3.卫星导航定位与位置服务国家地方联合工程研究中心（桂林电子科技大学），广西桂林 541004

通讯作者: 万航
作者简介:许睿（1977—），男，四川成都人，副教授，博士，CCF会员，主要研究方向：人工智能、深度学习与环境大数据、环境监测仪器仪表、环境遥感与地理信息系统
梁爽（1994—），女，天津人，硕士研究生，CCF会员，主要研究方向：环境预测、深度学习与环境大数据
万航（1989—），男，广东广州人，助理研究员，博士，CCF会员，主要研究方向：深度学习与环境大数据 wanhang@gmlab.ac.cn
文益民（1969—），男，湖南益阳人，教授，博士，CCF会员，主要研究方向：机器学习与数据挖掘、推荐系统、计算机视觉、大数据分析、人工智能安全、媒体分析
沈世铭（1985—），男，广西桂林人，助理研究员，硕士，CCF会员，主要研究方向：环境大数据分析
李建（1991—），男，山西长治人，助理研究员，硕士，CCF会员，主要研究方向：深度学习与环境遥感。
基金资助:
广西自然科学基金资助项目(2021JJA170096);广西重点研发计划项目(AB21196063);桂林市重大成果转化基金资助项目(20192013?1);桂林电子科技大学大学生创新创业训练计划项目(202010595031)

Abstract

Abstract:

Most existing air quality prediction methods focus on simple time series data for trend prediction， and ignore the pollutant transport and diffusion laws and corresponding classified pattern features. In order to solve the above problem， a PM_2.5diffusion characteristic extraction method based on Candlestick Pattern Matching （CPM） was proposed. Firstly， the basic periodic candlestick charts from a large number of historical PM_2.5 sequences were generated by using the convolution idea of Convolutional Neural Network （CNN）. Then， the concentration patterns of different candlestick chart feature vectors were clustered and analyzed by using the distance formula. Finally， combining the unique advantages of CNN in image recognition， a hybrid model integrating graphical features and time series features sequences was formed， and the trend reversal that would be caused by candlestick charts with reversal signals was judged. Experimental results on the monitoring time series dataset of Guilin air quality online monitoring stations show that compared with the VGG （Visual Geometry Group）-based method which uses the single time series data， the accuracy of the CPM-based method is improved by 1.9 percentage points. It can be seen that the CPM-based method can effectively extract the trend features of PM_2.5 and be used for predicting the periodic change of pollutant concentration in the future.

Key words: air pollution phenomenon, candlestick chart theory, pattern matching, Convolutional Neural Network (CNN), PM_2.5

摘要：

现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测，忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此，提出一种基于烛台图模式匹配（CPM）的PM_2.5（大气细颗粒物污染）扩散特征提取方法。首先，利用基于卷积神经网络（CNN）的卷积思想从大量历史PM_2.5序列中生成基础周期烛台图；然后，通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析；最后，结合CNN在图像识别中的独特优势，形成融合图形特征与时序特征序列的混合模型，判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明，与使用单一时间序列数据的深度卷积神经网络VGG（Visual Geometry Group）相比，基于CPM的提取方法准确率提升了1.9个百分点。可见，基于CPM的方法能有效提取PM_2.5趋势特征，可以用于预测未来污染物浓度周期变化。

关键词: 大气污染现象, 烛台图理论, 模式匹配, 卷积神经网络, PM_2.5

CLC Number:

TP391.4

Rui XU, Shuang LIANG, Hang WAN, Yimin WEN, Shiming SHEN, Jian LI. Extraction of PM_2.5 diffusion characteristics based on candlestick pattern matching[J]. Journal of Computer Applications, 2023, 43(5): 1394-1400.

许睿, 梁爽, 万航, 文益民, 沈世铭, 李建. 基于烛台图模式匹配的PM_2.5扩散特征的提取[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1394-1400.

Figures/Tables 12

References 24

1	ZHANG Y， BOCQUET M， MALLET V， et al. Real-time air quality forecasting， part Ⅰ： history， techniques， and current status［J］. Atmospheric Environment， 2012， 60：632-655. 10.1016/j.atmosenv.2012.06.031
2	李威凌，吴怀宇，陈洋. 基于高斯模型的武汉市区PM2.5扩散问题研究［J］. 高技术通讯， 2014， 24（11）：1153-1159. 10.3772/j.issn.1002-0470.2014.11.009
	LI W L， WU H Y， CHEN Y. PM2.5 diffusion problem research based on Gaussian model in Wuhan city［J］. Chinese High Technology Letters， 2014， 24（11）： 1153-1159. 10.3772/j.issn.1002-0470.2014.11.009
3	SUN Q， ZHU Y M， CHEN X M， et al. A hybrid deep learning model with multi-source data for PM_2.5 concentration forecast［J］. Air Quality， Atmosphere and Health， 2021， 14（4）：503-513. 10.1007/s11869-020-00954-z
4	TAKEUCHI K， YOKOYAMA T， WADA K， et al. Modified K-line in neck extension is a prognostic indicator of the surgical outcome at 5 years after cervical laminoplasty for cervical spondylotic myelopathy［J］. Spine， 2021， 46（19）：E1031-E1041. 10.1097/brs.0000000000003982
5	LI Y P， FENG Z N， FENG L. Using candlestick charts to predict adolescent stress trend on micro-blog［J］. Procedia Computer Science， 2015， 63：221-228. 10.1016/j.procs.2015.08.337
6	魏连江，胡青伟，梁伟，等. 基于K线图理论的瓦斯异常模式诊断研究［J］. 煤矿安全， 2019， 50（6）：24-27， 31. 10.13347/j.cnki.mkaq.2019.06.006
	WEI L J， HU Q W， LIANG W， et al. Research on gas abnormal mode diagnosis based on K-line theory［J］. Safety in Coal Mines， 2019， 50（6）：24-27， 31. 10.13347/j.cnki.mkaq.2019.06.006
7	HU G S， HU Y X， YANG K， et al. Deep stock representation learning： from candlestick charts to investment decisions［C］// Proceedings of the 2018 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2018：427-433. 10.1109/icassp.2018.8462215
8	CHEN J H， TSAI Y C. Encoding candlesticks as images for patterns classification using convolutional neural networks［J］. Financial Innovation， 2020， 6： No.26. 10.1186/s40854-020-00187-0
9	HUNG C C， CHEN Y J. DPP： deep predictor for price movement from candlestick charts［J］. PLoS ONE， 2021， 16（6）： No.e0252404. 10.1371/journal.pone.0252404
10	华南理工大学. 一种基于深度学习的K线形态图像识别方法： 201811238452.8［P］. 2019-03-29.
	South China University of Technology. A K-line morphological image recognition method based on deep learning： 201811238452.8［P］. 2019-03-29.
11	ONG B T， SUGIURA K， ZETTSU K. Dynamic pre-training of deep recurrent neural networks for predicting environmental monitoring data［C］// Proceedings of the 2014 IEEE International Conference on Big Data. Piscataway： IEEE， 2014：760-765. 10.1109/bigdata.2014.7004302
12	MA J， LI Z， CHENG J C P， et al. Air quality prediction at new stations using spatially transferred bidirectional long short-term memory network［J］. The Science of the Total Environment， 2020， 705： No.135771. 10.1016/j.scitotenv.2019.135771
13	MAO X， SHEN T， FENG X. Prediction of hourly ground-level PM_2.5 concentrations 3 days in advance using neural networks with satellite data in eastern China［J］. Atmospheric Pollution Research， 2017， 8（6）：1005-1015. 10.1016/j.apr.2017.04.002
14	McKENDRY I G. Evaluation of artificial neural networks for fine particulate pollution （PM₁₀ and PM_2.5） forecasting［J］. Journal of the Air and Waste Management Association， 2002， 52（9）：1096-1101. 10.1080/10473289.2002.10470836
15	ORTIZ-GARCÍA E G， SALCEDO-SANZ S， PÉREZ-BELLIDO Á M， et al. Prediction of hourly O₃ concentrations using support vector regression algorithms［J］. Atmospheric Environment， 2010， 44（35）：4481-4488. 10.1016/j.atmosenv.2010.07.024
16	ZHU S P， KINNON M J， ANDRE P， et al. Health benefits in California of strengthening the fine particulate matter standards［J］. Environmental Science and Technology， 2021， 55（18）： 12223-12232. 10.1021/acs.est.1c03177
17	LEE H J. Advancing exposure assessment of PM_2.5 using satellite remote sensing： a review［J］. Asian Journal of Atmospheric Environment， 2020， 14（4）： 319-334. 10.5572/ajae.2020.14.4.319
18	GARCÍA NIETO P J， COMBARRO E F， DEL COZ DÍAZ J J， et al. A SVM-based regression model to study the air quality at a local scale in Oviedo urban area （Northern Spain）： a case study［J］. Applied Mathematics and Computation， 2013， 219（17）： 8923-8937. 10.1016/j.amc.2013.03.018
19	YU W J， LIU R， ZHOU D S， et al. An improved GRU network for human motion prediction［C］// Proceedings of the IEEE 7th International Conference on Virtual Reality. Piscataway： IEEE， 2021：427-433. 10.1109/icvr51878.2021.9483851
20	GUO S T， LUO Y X， SONG Y Z. Random forests and VGG-NET： an algorithm for the ISIC 2017 Skin Lesion Classification Challenge［EB/OL］. （2017-03-15）［2022-03-15］..
21	HU W L， SI Y W， FONG S， et al. A formal approach to candlestick pattern classification in financial time series［J］. Applied Soft Computing， 2019， 84： No.105700. 10.1016/j.asoc.2019.105700
22	ANAND R， SOWMYA V， VIJAYKRISHNAMENON， et al. Modified VGG deep learning architecture for COVID-19 classification using bio-medical images［J］. IOP Conference Series： Materials Science and Engineering， 2021， 1084： No.012001. 10.1088/1757-899x/1084/1/012001
23	ASTAWA I N G A， RADHITYA M L， ARDANA I W R， et al. Face images classification using VGG-CNN［J］. Knowledge Engineering and Data Science， 2021， 4（1）：49-54. 10.17977/um018v4i12021p49-54
24	WANG M， LI D H， LI T. A lung image classification method： a classifier constructed by combining improved VGG16 and gradient boosting decision tree［J］. Journal of Mechanics in Medicine and Biology， 2021， 21（4）： No.2150042. 10.1142/s0219519421500421

预测方法	资源使用	复杂度	预测精度
基于物理模型的方法	高	高	低
基于机器学习的方法	高	高	一般
基于深度学习的方法	一般	一般	高
基于组合模型的方法	一般	一般	更高

预测方法	资源使用	复杂度	预测精度
基于物理模型的方法	高	高	低
基于机器学习的方法	高	高	一般
基于深度学习的方法	一般	一般	高
基于组合模型的方法	一般	一般	更高

匹配率	平均预测误差	匹配率	平均预测误差
0.6	0.19	0.9	0.23
0.7	0.18	1.0	0.25
0.8	0.17

匹配率	平均预测误差	匹配率	平均预测误差
0.6	0.19	0.9	0.23
0.7	0.18	1.0	0.25
0.8	0.17

方法	训练数据集	测试数据集
基于AlexNet的方法	89.9	85.2
基于SVM的方法	91.3	91.4
基于VGG的方法	93.9	93.2
本文方法	97.8	95.1