[發明專利]基于深度雙向長短期記憶網絡的空氣質量預測方法

在審

• 申請號: 201911246410.3
• 申請日: 2019-12-06
• 公開（公告）號: CN111047012A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 陸彬春;陳鳴輝;何強;符禮丹;吳子陽;羅子鑒;季琪崧
• 申請（專利權）人: 重慶大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04;G06Q10/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于深度雙向長短期記憶網絡的空氣質量預測方法，包括以下步驟：

步驟1：數據采集后進行預處理，得到污染物時序數據，并劃分數據集為訓練集、驗證集和測試集；

步驟2：將訓練集的數據輸入深度雙向長短期記憶網絡中進行訓練，直到網絡收斂；

步驟3：將驗證集的數據輸入網絡進行驗證，并調節網絡的參數，最終得到最優的參數；

步驟4：將最終模型進行保存，輸入測試集進行識別效果測試，最終模型可用于實際空氣質量預測環節。

2.根據權利要求1所述的空氣污染物預測中的深度雙向長短期記憶網絡的方法，其使用范圍在大氣污染物和室內污染物預測系統的應用，能有效預測污染物指標的發展。

3.根據權利要求所述基于深度雙向長短期記憶網絡的空氣質量預測方法,其特征是所述步驟1包括以下步驟；

步驟1.1：數據采集：本專利的實現方法所采集的數據為：同一位置的不同的污染物指標的歷史時序數據，例如CO、NO₂等，每個時刻的污染物濃度向量為T＝[C_t(A),C_t(B),C_t(C),C_t(D),C_t(E)...]，向量中每一個值表示不同污染物在t時刻的濃度值；

步驟1.2：數據預處理：對指標歷史時序數據進行均值法缺失值填補，異常值處理和標準化后得到最終的歷史時序數據集。

步驟1.3：數據集劃分：將歷史時序數據集以7:2:1的比例劃分為訓練集、驗證集和測試集。

4.根據權利要求所述基于深度雙向長短期記憶網絡的空氣質量預測方法，其特征是所述步驟2包括以下步驟；

步驟2.1：搭建雙向長短期記憶網絡，包含輸入層、前向層、后向層、全連接層和輸出層。其中，需要調節的參數為每層的長短期記憶神經單元的個數、Dropout值；

步驟2.2：初始化雙向長短期記憶神經單元的細胞狀態和隱藏狀態，將數據輸入；

步驟2.3：計算當前神經元的輸入門、遺忘門、輸出門的權值及當前記憶候選值；

步驟2.4：計算當前神經元的隱藏狀態和記憶狀態，并傳遞到下一神經元；

步驟2.5：利用MAE作為損失函數，一直訓練循環上述步驟直到模型收斂。

5.根據權利要求所述基于深度雙向長短期記憶網絡的空氣質量預測方法，其特征是所述步驟3包括以下步驟；

步驟3.1：在驗證集上測試已訓練好的模型；

步驟3.2：根據模型結果調節參數；

步驟3.3：參數調節完成，保存模型。

6.根據權利要求所述基于深度雙向長短期記憶網絡的空氣質量預測方法，其特征是所述步驟4包括以下步驟；

步驟4.1：將測試集最終訓練好的預測模型；

步驟4.2：將所有的預測結果與真實值進行對比，得到最終的模型評價指標；

步驟4.3：最終的預測模型可以用于實際空氣質量監測環節。