[發明專利]一種基于多示例遺傳神經網絡的室內PM2.5預測方法

有效

• 申請號: 201810134218.4
• 申請日: 2018-02-09
• 公開（公告）號: CN108399470B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 吳宏杰;陳成;董鎧銘;柳維生
• 申請（專利權）人: 蘇州科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 顧伯興

本發明公開了一種基于多示例遺傳神經網絡的室內PM2.5預測方法，包括以下步驟：(1)數據采集與特征選取；(2)構建多示例遺傳神經網絡預測模型；(3)根據多示例遺傳神經網絡預測模型預測室內PM2.5濃度m。通過上述方式，本發明基于多示例遺傳神經網絡的室內PM2.5預測方法，通過選取與室內PM2.5密切相關的通風率、氣溫、相對濕度等7個特征進行模型訓練，將多示例神經網絡與遺傳算法應用到室內空氣質量的預測中，不僅得到了較好的預測精度，同時相對于經驗模型來說，大大縮短建模的時間，具有可靠性能高、精度高、效率高、實用性強等優點。

技術領域

本發明涉及顆粒物濃度檢測技術領域，特別是涉及一種基于多示例遺傳神經網絡的室內PM2.5預測方法。

背景技術

經驗模型和統計模型是早年對室內空氣質量進行預測的主要方法，后來隨著大氣物理、化學機制研究的發展，機理模型逐漸取代之前的預測方法。在基于機理模型的空氣質量預測方法研究中，主要的思路是對污染物在空氣中的傳播、擴散、化學反應等過程實施抽象模擬，通過研究大氣污染物的物理化學特性及其在特定條件下的轉化規律，對未來的空氣質量狀況做出預測。

當今世界上普遍采用的空氣質量預測模型大多是機理模型，但是對于我國室內空氣的重要污染物之一PM2.5來說，其來源具有多樣性且其形成機理較為復雜，研究其在室內空氣中的擴散及復雜的轉化機理并進行為之有效的建模難度較大，因此利用傳統的機理模型對PM2.5濃度進行準確的預測比較困難，并且機理模型所需數據源多種多樣，運算過程也非常耗時，機器學習被眾多專家認為是一種全新的學習途徑，能高效地解決問題，而伴隨著機器學習的發展，新的機器學習理論和方法也在不斷誕生，很多研究者開始嘗試使用機器學習方法來進行空氣質量預測的研究和探索，然而目前的研究多集中于對室外大氣污染物的預測，利用機器學習的方法對室內空氣污染物進行預測卻鮮有提及。

發明內容

本發明主要解決的技術問題是提供一種基于多示例遺傳神經網絡的室內PM2.5預測方法。

為解決上述技術問題，本發明采用的一個技術方案是：

提供一種基于多示例遺傳神經網絡的室內PM2.5預測方法，包括以下步驟：

(1)數據采集與特征選取：設定采樣時間和采樣時間間隔，采集當前時間t對應的當前室外溫度w_out、當前室內溫度w_in、當前室外濕度s_out、當前室內濕度s_in、當前室外PM2.5濃度p_out數據，當前室外溫度w_out、當前室內溫度w_in、當前室外濕度s_out、當前室內濕度s_in、當前室外PM2.5濃度p_out為輸入參數，將每小時內采集的輸入參數數據作為一個樣本，刪除由于傳感器初始檢測時不穩定造成的噪聲數據；

(2)構建多示例遺傳神經網絡預測模型；

(3)根據多示例遺傳神經網絡預測模型預測室內PM2.5濃度m；

所述構建多示例遺傳神經網絡預測模型的具體步驟為：

步驟1：定義預測模型

m＝F(t,p_out,w_in,w_out,s_in,s_out,v)，

其中，m表示當前室內PM2.5濃度，v表示當前房間室內通風率，

v＝S×|w_out-w_in|，

其中，S為窗口打開的面積；

步驟2：將樣本中的每個輸入參數數據進行歸一化處理，使之分布在[-1,1]的間隔中，