[發明專利]一種基于非線性理論的PM2.5預測與預警方法及系統

有效

• 申請號: 201810095420.0
• 申請日: 2018-01-31
• 公開（公告）號: CN108491953B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 尹建光;彭飛;謝連科;臧玉魏;馬新剛;韓悅;劉輝;王坤;鞏泉泉;竇丹丹;張國英;李方偉;李佳煜;郭本祥;閆文晶;崔翔宇
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國家電網公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/18
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李圣梅

本發明公開了一種基于非線性理論的PM2.5預測與預警方法及系統，模型訓練步驟和模型預測步驟；針對PM2.5濃度時序數據分為兩組，分別作為訓練時序數據集及測試時序訓練集；對所述訓練時序數據集的數據進行S級小波分解，進行時頻分析，將一維信息擴展為高維信息，提取PM2.5歷史數據的隱含信息，得到訓練時序指標數據集；構造預測模型；對預測模型進行訓練；針對測試時序訓練集，進行MLRC?LSSVR模型預測，對模型預測結果做方差分析，得到置信區間的上界值作為最終的預測結果。本發明能夠提供模型的可調參數，通過改變可調參數從而適應不同地區PM2.5濃度的預測預警工作。

技術領域

本發明涉及空氣質量預測與預警領域，特別是涉及一種基于非線性理論的PM2.5預測與預警方法及系統。

背景技術

霧霾的主要成分就是PM2.5，PM2.5是粒徑小于2.5μm的顆粒物，是一種膠體混合物。 PM2.5的影響因素復雜，其濃度變化呈現出非線性特征。

目前大氣污染物濃度預測方法主要有統計模型和確定性模型兩類。其中，統計模型一般是基于歷史數據建立空氣質量與影響因素之間的關聯模型，其優點在于對輸入數據要求相對較低，但預測精度較低，難以反映區域空氣質量且無法對污染成因以及來源等給出合理解釋；數值模型則是依據不同尺度大氣動力學理論，耦合大氣物理和化學變化過程，建立多尺度類型大氣污染物擴散模型，依靠計算機系統預報大氣污染物濃度變化趨勢和動態分布情況，其優點是能夠對污染成因進行診斷，計算精確，能夠對區域內大氣污染物濃度進行預測，其局限性在于時效性污染排放數據獲取困難，模型對數據要求高，實際操作困難較大。

鑒于數值預報所需成本消耗較高，存在較多的不確定因素，模型建立過程和數據需求要求較復雜，眾多的研究傾向于以統計模型為主要手段開展大氣污染物濃度預測，特別是針對單站點統計模型預報開展了大量的改進研究。很多研究者將傳統的統計學方法與神經網絡模型、自回歸移動平均模型、多元線性回歸模型相結合獲得了較為理想的預測結果。

而從方法學的角度來看，自回歸移動平均模型和多元線性回歸模型均是線性模式，某些非線性的關系很難被精確預測，這種缺陷已在某些實例研究中體現出來；神經網絡模型作為一種非線性映射方法，其多層感知模式使得神經網絡模型在細微顆粒物濃度預測方面有良好的效果。但神經網絡方法的學習速度通常比較慢，參數設定困難，并且容易陷入局部最優，推廣能力差，而且預測效率較低。支持向量機(SVM)的出現克服了神經網絡訓練時間長、泛化能力差、易陷入局部極小等缺點。單步預測效果良好，但是在進行多步預測時，每步預測都需要上次預測的輸出作為輸入，在這種迭代的過程中，上一次的預測結果會影響在接下來時間點的預測結果，誤差也就會逐步積累直到最后，預測效果逐步減弱。

綜上所述，現有技術中對于PM2.5的預測問題，尚缺乏有效的解決方案。

發明內容

為了解決現有技術的不足，本發明提供了一種基于非線性理論的PM2.5預測與預警方法，該方法能夠提供模型的可調參數，通過改變可調參數從而適應不同地區PM2.5濃度的預測預警工作。

一種基于非線性理論的PM2.5預測與預警方法，包括：

模型訓練步驟和模型預測步驟；

針對PM2.5濃度時序數據分為兩組，分別作為訓練時序數據集及測試時序訓練集；

對所述訓練時序數據集的數據進行S級小波分解，進行時頻分析，將一維信息擴展為高維信息，提取PM2.5歷史數據的隱含信息，得到訓練時序指標數據集；

然后構造基于多級殘差修正的非線性最小二乘支持向量回歸(AMLRC-LSSVR)的預測模型；

對AMLRC-LSSVR模型進行訓練；

針對測試時序訓練集，進行MLRC-LSSVR模型預測，對模型預測結果做方差分析，得到置信區間的上界值作為最終的預測結果。