[發明專利]一種基于深度神經網絡的空氣質量預測方法

有效

• 申請號: 201810254528.X
• 申請日: 2018-03-26
• 公開（公告）號: CN108537336B
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 張挺
• 申請（專利權）人: 上海電力學院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04;G01N33/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

1.一種基于深度神經網絡的空氣質量預測方法，其特征在于，包括下列步驟：

S1：確定時間序列和等間隔時間點，對不同地點采集各等間隔時間點下的各個空氣污染物的濃度；

S2：將采集的各個污染物濃度排序，獲取不同地點在不同時間點的濃度向量，各個濃度向量中濃度種類的排序一致；

S3：將不同地點在同一時間點的濃度向量作為一個數據組，將一個時間序列中所有數據組作為一個數據集合；

S4：從多個數據集合中選出一個包含所有污染物的濃度值的已知集合，找出待測集合中缺失的污染物濃度的數據組，確定其所對應的時間點；

S5：從已知集合中挑選出與時間點對應的數據組作為輸出數據，將已知集合中其余數據組作為輸入數據，獲取輸入向量作為隱層；

S6：根據輸入向量構建深度神經網絡模型，將待測集合中其他數據組作為輸入值，通過深度神經網絡模型獲取輸出值，進而完成待測集合中缺失濃度的預測。

2.根據權利要求1所述的一種基于深度神經網絡的空氣質量預測方法，其特征在于，所述的深度神經網絡模型采用DNN模型，該DNN模型為l+2層結構，其中第0層為模型輸入層，第1到第l層為隱層，第l+1層為模型結構特征的輸出層，相鄰層之間通過前饋權值矩陣連接。

3.根據權利要求1所述的一種基于深度神經網絡的空氣質量預測方法，其特征在于，所述的步驟S2中，不同地點在不同時間點的濃度向量Vec_ab的表達式為：

Vec_ab＝{C_ab(A)，C_ab(B)，C_ab(C)，C_ab(D)，C_ab(E)…}

式中，a為時間點編號，b為地點編號；C_ab(A)，C_ab(B)，C_ab(C)，C_ab(D)，C_ab(E)分別為不同污染物種類的濃度值。

4.根據權利要求3所述的一種基于深度神經網絡的空氣質量預測方法，其特征在于，所述的步驟S3中，某一數據組X_a的表達式為：

X_a＝{Vec_a1，Vec_a2，Vec_a3，…，Vec_aN}

式中，N為地點的總數。

5.根據權利要求4所述的一種基于深度神經網絡的空氣質量預測方法，其特征在于，所述的步驟S3中，某一數據集合Datap的表達式為：

Data_p＝{X₁，X₂，X₃，…，X_M}

式中，p為集合編號，M為時間點的總數。