[發明專利]一種空氣污染物濃度預測方法

在審

• 申請號: 201510767342.0
• 申請日: 2015-11-11
• 公開（公告）號: CN105303051A
• 公開（公告）日: 2016-02-03
• 發明（設計）人: 彭玲;李祥;池天河;崔紹龍;徐逸之
• 申請（專利權）人: 中國科學院遙感與數字地球研究所
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京名華博信知識產權代理有限公司 11453
• 代理人: 李冬梅;苗源

技術領域

本發明涉及一種數據預測方法，尤其涉及一種空氣污染物濃度預測方法。

背景技術

目前，常用的城市空氣污染物濃度預報方法主要有數值預報、逐步線性回歸模型、灰色預測、自回歸移動平均模型(AutoRegressiveandMovingAverage，ARMA)、支持向量回歸模型(SupportVectorMachine，SVR)、支持向量回歸模型、人工神經網絡模型等。其中，自回歸移動平均模型是建模平穩時間序列的有效工具，在城市空氣污染物濃度預報中得到了廣泛的應用。

空氣污染物濃度由于受多種氣象條件和大氣理化過程影響，會出現各種異常情況，而現有自回歸移動平均模型無法反映短時事件和意外事件的影響，預測不是很理想。

發明內容

本發明的目的在于克服現有技術中存在的上述不足，而提供一種空氣污染物濃度預測方法，解決現有技術中預測空氣污染物濃度的精度不高的問題。

本發明提供了一種空氣污染物濃度預測方法，包括：對空氣污染物濃度數據使用Mallat算法進行多尺度小波分解，對最后一級尺度的低頻近似序列使用支持向量回歸模型即SVR建模預測，對其它高頻細節序列使用自回歸移動平均模型即ARMA建模預測，使用Mallat算法對各級系數序列進行重構，得到空氣污染物濃度的預測結果。

上述方法還可以具有以下特點：所述方法中進行三級尺度的小波分解，并且對第一級高頻細節序列、第二級高頻細節序列、第三級高頻細節序列均使用ARMA進行建模預測，對第三級低頻近似序列使用SVR建模預測。

上述方法還可以具有以下特點：所述方法中重構時，先將第三級低頻近似序列和第三級高頻細節序列預測結果經過濾波器系數加權和得到第二級低頻近似序列的預測值；結合第二級高頻細節序列預測值得到第一級低頻近似序列預測值；最后結合第一高頻細節序列預測值，得到最終預測結果。

上述方法還可以具有以下特點：采用最小二乘法對ARMA模型的參數進行估計。

上述方法還可以具有以下特點：采用在SVR模型中采用交叉驗證法確定懲罰系數C、帶寬參數σ。

上述方法還可以具有以下特點：在ARMA模型中使用赤池信息量準則選擇模型的階數

本發明的預測方法中，使用了多尺度小波分解，并針對不同模型的適用特點對小波分解后不同級別尺度的序列使用不同的模型，即利用ARMA更適用于平穩序列的預測以及SVR更適用于不平穩序列的預測的特點對最后一級尺度的相對較為不平穩的低頻近似序列使用SVR建模預測并且對其它相對較為平穩的高頻細節序列使用ARMA建模預測。該方法可以實現較高的預測精度。

附圖說明

圖1是一種空氣污染物濃度預測方法的流程圖；

圖2是具體實施例中空氣污染物濃度預測方法的流程圖。

具體實施例

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互任意組合。

圖1是空氣污染物濃度預測方法的流程圖，此方法包括以下步驟：

步驟1，對空氣污染物濃度數據使用Mallat算法進行多尺度小波分解。

步驟2，對最后一級尺度的低頻近似序列使用SVR建模預測，對其它高頻細節序列使用ARMA建模預測。

步驟3，使用Mallat算法對各級系數序列進行重構，得到空氣污染物濃度的預測結果。

下面對上述方法進行詳細說明。

本方法中步驟1中的多尺度小波分解采用Mallat算法實現。運用Mallat算法，可以將信號逐層分解，每一層分解的結果是將上次分解得到的低頻信號再分解成低頻和高頻兩部分。計算公式如下