[發(fā)明專利]一種基于博弈神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811050495.3
• 申請日: 2018-09-10
• 公開（公告）號: CN109376903B
• 公開（公告）日: 2021-12-17
• 發(fā)明（設(shè)計）人: 付明磊;丁子昂;樂曹偉
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/06;G06N3/08
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于博弈神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，其特征在于，所述方法包括如下步驟：

步驟1、原始數(shù)據(jù)采集，原始數(shù)據(jù)包括PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度值指標(biāo)歷史數(shù)據(jù)和氣象歷史數(shù)據(jù)；

步驟2、采用生成網(wǎng)絡(luò)預(yù)測生成模擬數(shù)據(jù)，過程如下：

步驟2.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和輸出層的節(jié)點個數(shù)，所述隱含層的節(jié)點個數(shù)采用經(jīng)驗公式給出估計值，所述經(jīng)驗公式如下：

上式中，a和b分別為輸入層和輸出層的神經(jīng)元個數(shù)，c是[0,10]之間的常數(shù)；

步驟2.2、分別設(shè)定輸入層、輸出層數(shù)據(jù)的維度，隱含層、連接層和輸出層的訓(xùn)練函數(shù)、連接函數(shù)和輸出函數(shù)，設(shè)定網(wǎng)絡(luò)的期望誤差最小值、最大迭代次數(shù)和學(xué)習(xí)率；

步驟2.3、隨機(jī)產(chǎn)生一組隨機(jī)數(shù)據(jù)作為生成網(wǎng)絡(luò)的輸入層數(shù)據(jù)，然后經(jīng)過生成網(wǎng)絡(luò)后在輸出層產(chǎn)生一組新的PM2.5模擬數(shù)據(jù)，作為Fake Data，記作D(m)；

步驟3、采用判別網(wǎng)絡(luò)判斷模擬數(shù)據(jù)的真?zhèn)危^程如下：

步驟3.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和輸出層的節(jié)點個數(shù)；所述隱含層的節(jié)點個數(shù)采用經(jīng)驗公式給出估計值，所述經(jīng)驗公式如下：

上式中，a和b分別為輸入層和輸出層的神經(jīng)元個數(shù)，c是[0,10]之間的常數(shù)；

步驟3.2、在輸出層之后連接一層softmax函數(shù)，將多分類的輸出數(shù)值轉(zhuǎn)化為相對概率；

其中，V_i是分類器前級輸出單元的輸出，i表示類別索引，總的類別個數(shù)為C，S_i表示的是當(dāng)前元素的指數(shù)與所有元素指數(shù)和的比值；

步驟3.3、從數(shù)據(jù)集中隨機(jī)選擇一組數(shù)據(jù)作為Real Data，記作x；

步驟3.4、將D(m)和x作為輸入數(shù)據(jù)輸入判別網(wǎng)絡(luò)中，經(jīng)過判別網(wǎng)絡(luò)后輸出值為一個0到1之間的數(shù)，用于表示輸入數(shù)據(jù)為Real Data的概率，real為1，fake為0；

步驟4、采用博弈神經(jīng)網(wǎng)絡(luò)預(yù)測PM2.5濃度值，過程如下：

步驟4.1、將生成網(wǎng)絡(luò)中生成的模擬數(shù)據(jù)與原始數(shù)據(jù)輸入判別網(wǎng)絡(luò)，建立博弈神經(jīng)網(wǎng)絡(luò)并訓(xùn)練；

步驟4.2、計算判別網(wǎng)絡(luò)損失函數(shù)：

L_D＝-((1-y)log(1-D(G(m)))+y log D(x)) ⑷

y為輸入數(shù)據(jù)的類型，當(dāng)輸入數(shù)據(jù)為Real Data數(shù)據(jù)時，y＝1，損失函數(shù)公式的前半部分為0，D(x)為判別網(wǎng)絡(luò)的輸出，表示輸入x為real數(shù)據(jù)的概率，訓(xùn)練目標(biāo)要使得判別網(wǎng)絡(luò)的輸出D(x)的輸出趨向于1；

當(dāng)輸入數(shù)據(jù)為Fake Data數(shù)據(jù)時，y＝0，損失函數(shù)公式的后半部分為0，G(m)是生成網(wǎng)絡(luò)的輸出，此時的訓(xùn)練目標(biāo)要使得D(G(m))的輸出趨向于0；

步驟4.3、計算生成網(wǎng)絡(luò)損失函數(shù)：

L_G＝(1-y)log(1-D(G(m))) ⑸

生成網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是要使得G(m)產(chǎn)生的數(shù)據(jù)與真實數(shù)據(jù)具備同樣的數(shù)據(jù)分布；

步驟4.4、計算博弈神經(jīng)網(wǎng)絡(luò)的損失函數(shù)：

其中，表示判別網(wǎng)絡(luò)的預(yù)測類別，對預(yù)測概率取整為0或者1，用于更改梯度方向；

步驟4.5、根據(jù)損失函數(shù)的誤差進(jìn)行反向傳播，調(diào)整循環(huán)神經(jīng)網(wǎng)絡(luò)的各層權(quán)值，調(diào)整方式如下：

調(diào)整規(guī)則為：最大化D的區(qū)分度，最小化G和real數(shù)據(jù)集的數(shù)據(jù)分布；

步驟4.6、判斷博弈神經(jīng)網(wǎng)絡(luò)是否收斂，當(dāng)誤差小于期望誤差最小值時，算法收斂，在達(dá)到最大迭代次數(shù)時結(jié)束算法，所述博弈神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；

步驟4.7、將待測數(shù)據(jù)輸入到訓(xùn)練完成得到的博弈神經(jīng)網(wǎng)絡(luò)中，輸出PM2.5濃度值的最終預(yù)測值。

2.如權(quán)利要求1所述的一種基于博弈神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，其特征在于，所述PM2.5濃度值指標(biāo)包括AQI、PM10、NO2、CO、SO2和O3濃度。