[發明專利]一種基于博弈神經網絡的PM2.5濃度值預測方法

有效

• 申請號: 201811050495.3
• 申請日: 2018-09-10
• 公開（公告）號: CN109376903B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 付明磊;丁子昂;樂曹偉
• 申請（專利權）人: 浙江工業大學
• 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所有限公司 33241
• 代理人: 王利強

一種基于博弈神經網絡的PM2.5濃度值預測方法，包括如下步驟：步驟1、原始數據采集，原始數據包括PM2.5濃度值歷史數據、PM2.5濃度值指標歷史數據和氣象歷史數據；步驟2、采用生成網絡生成模擬數據；步驟3、采用判別網絡判斷模擬數據的真偽；步驟4、采用博弈神經網絡預測PM2.5濃度值。本發明在對PM2.5濃度值歷史數據、PM2.5濃度值相關指標歷史數據和氣象歷史數據進行非線性相關分析之外，還引入一個生成網絡將原始數據與噪聲混合輸出模擬數據，并將模擬數據送入判別網絡進行判別，根據判別結果進行交次迭代與調整，針對小數據集，無需預設目標模型，可以準確描述PM2.5濃度值時間變化規律。

技術領域

本發明涉及空氣顆粒物PM2.5濃度值的預測技術領域，尤其涉及一種基于博弈神經網絡的PM2.5濃度值預測方法。

背景技術

PM2.5是指大氣中直徑小于或等于2.5微米的顆粒物，富含大量的有毒、有害物質且在大氣中的停留時間長、輸送距離遠，因而對人體健康和大氣環境質量的影響更大，PM2.5超標還帶來了另外一個影響——灰霾天氣。空氣污染如今已經成為人們關注的焦點，而在空氣污染指標中，PM2.5濃度值已經成為衡量空氣質量的標志性檢測指標。現如今，根據歷史數據對未來時間段PM2.5濃度值的預測已經成為具有較強學術意義和應用價值的研究問題。

為了解決上述問題，張怡文等人在論文《基于神經網絡的PM2.5預測模型》中，通過選擇神經網絡方法進行PM2.5的濃度值預測。王敏等人在論文《基于BP人工神經網絡的城市PM2.5濃度空間預測》中，采用BP人工神經網絡模型,預測研究區空氣中PM2.5濃度的空間變異。鄭毅等人在論文《基于深度信念網絡的PM2.5預測》中，提出一種基于深度信念網絡的區域PM2.5日均值預測方法。楊云等人在論文《關于空氣中PM2.5質量濃度預測研究》中，提出了采用遺傳算法優化的BP神經網絡的預測方法實現了PM2.5濃度值的預測。馬天成等人在論文《基于改進型PSO的模糊神經網絡PM2.5濃度預測》中，采用一種改進型PSO優化的模糊神經網絡,將粒子群算法與模糊神經網絡進行融合來預測PM2.5顆粒物濃度的變化規律。楊云等人在論文《基于T-S模型模糊神經網絡的PM2.5質量濃度預測》中，提出了基于T-S模糊神經網絡的PM2.5質量濃度預測方法。蘇盈盈等人在專利《基于無跡卡爾曼神經網絡的PM2.5濃度預測方法》中，提供了一種基于無跡卡爾曼神經網絡的PM2.5濃度預測方法。

經文獻調研分析，目前已提出的PM2.5濃度值預測方法均以神經網絡為核心架構，對PM2.5濃度值以及其他相關指標(比如AQI、PM10、NO2、CO、SO2、O3)進行非線性回歸分析。神經網絡模型包含ANN，DNN，FNN和BPNN等，以及結合遺傳算法、隨機森林等優化算法優化后的混合方法。但是，經文獻調研，現有PM2.5濃度值神經網絡預測方法中都需要積累大量的歷史數據用以訓練，最終的預測精度與原始樣本數據的大小也有一定關系，而對于無大量數據積累的小樣本集，現有的神經網絡預測方法就失去了其優勢。其次，現有的神經網絡預測模型都是定義已知模型對數據進行訓練，即學習目標的分布類型已經既定，實際工作主要為學習并調整該分布的具體參數。

發明內容

為了克服已有PM2.5濃度值預測方式無法訓練小數據集以及目標模型需要事先定義的不足，本發明在對PM2.5濃度值歷史數據、PM2.5濃度值相關指標歷史數據和氣象歷史數據進行非線性相關分析之外，還引入一個生成網絡將原始數據與噪聲混合輸出模擬數據，并將模擬數據送入判別網絡進行判別，根據判別結果進行交次迭代與調整，提供一種針對小數據集，無需預設目標模型，可以準確描述PM2.5濃度值時間變化規律的基于博弈神經網絡的PM2.5濃度值預測方法。

本發明解決其技術問題所采用的技術方案是：

一種基于博弈神經網絡的PM2.5濃度值預測方法，所述方法包括如下步驟：

步驟1、原始數據采集。原始數據包括PM2.5濃度值歷史數據、PM2.5濃度值指標歷史數據和氣象歷史數據；

步驟2、采用生成網絡生成模擬數據，過程如下：