[發明專利]一種城市中SO2濃度值的預測方法

在審

• 申請號: 201711476221.6
• 申請日: 2017-12-29
• 公開（公告）號: CN108228538A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 石曉飛;王平;樊佳斌;吳文君;馬曉蕊
• 申請（專利權）人: 航天科工智慧產業發展有限公司
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06Q10/04;G06Q50/26
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 梁艷

本發明公開了一種城市中SO₂濃度值的預測方法，涉及氣體含量檢測技術領域。該預測方法通過結合氣象數值模型，彌補了氣象場數據不足的問題；通過采用偏最小二乘回歸法有效的解決了自變量系統中的變異信息，同時又對因變量給予了解釋，克服了變量間的共線性問題，減少了計算量；另外，在基于徑向基核函數的最小二乘支持向量機模型中，通過確定懲罰系數和核函數，極大的減少了利用最小二乘支持向量機模型進行預測計算的復雜性。

技術領域

本發明涉及氣體含量檢測技術領域，尤其涉及一種城市中SO₂濃度值的預測方法。

背景技術

伴隨著人口高速增長所帶來的自然資源過渡消耗和破壞，如氣候改變、濫伐森林，尤其是環境污染。當前，有超過半數的人群生活在城市中，并且到2050年這個比例有望達到66％。據最新的城市空氣質量報告可知，在中低收入國家的98％的10萬人口級別及以上城市的居民不能滿足世界衛生組織標準。

空氣質量的定量預測從方法上主要有數值預測和統計預測。其中，數值預測方法較多的依賴于高分辨率的氣象初始場和詳盡的排放源清單數據，鑒于目前我國環境信息化現狀，此方法尚不成熟。而統計預測方法的預測精度并不令人滿意。但隨著新技術和新理論的發展，人工智能和神經網絡在空氣質量預測方面發揮了較好的作用，因其過擬合、隱層節點難以確定和尋找結構參數復雜等缺點，導致訓練速度和效率下降。

支持向量機(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。在機器學習中，支持向量機(SVM，還支持矢量網絡)是與相關的學習算法有關的監督學習模型，可以分析數據，識別模式，用于分類和回歸分析。

支持向量機作為一種新的數據挖掘技術，在處理回歸、分類和時間序列預測等方面得到了成功應用，如李龍等提出了一種基于支持向量機和特征向量的PM2.5濃度預測模型；陳柳提出了一種支持向量機和小波分析的SO₂濃度預測模型。

支持向量機雖然取得較好發展，然而它仍有不足之處。支持向量機的本質是求解數學上的凸二次規劃問題，而在大氣污染環境當中，“內因是排放，外因是氣象”已達成普遍認知，在外因中，風向、風速、氣壓和相對濕度等因素對大氣污染的影響存在不同程度上，如把影響大氣污染物濃度的因素均考慮在模型內，勢必會加重訓練負擔，從而降低訓練精度。如何克服不足，提高支持向量機的訓練速度，推廣其在預測空氣質量參數效果，將會顯得尤為重要。

發明內容

本發明的目的在于提供一種城市中SO₂濃度值的預測方法，從而解決現有技術中存在的前述問題。

為了實現上述目的，本發明采用的技術方案如下：

一種城市中SO₂濃度值的預測方法，包括如下步驟：

S1，建立氣象數值模型，并利用所述氣象數值模型生成目標區域的氣象場數據；同時，收集所述目標區域的SO₂濃度的歷史數據；

S2，利用如下公式，對所述氣象場數據和所述SO₂濃度的歷史數據分別進行歸一化處理，得到各因子的初始預測因子集：

式中，x、x_n分別為歸一化前和歸一化后的濃度序列值；x_min、x_max分別為原序列x的最大值和最小值；

S3，將所述氣象場數據和所述各因子的初始預測因子集分別利用偏最小二乘回歸法提取主成分，篩選出最優預測因子集；

S4，將所述最優預測因子集輸入到最小二乘支持向量機模型中進行訓練，得到優化的最小二乘支持向量機模型；