[發明專利]空氣質量預測方法、系統及存儲介質

在審

• 申請號: 202110311316.2
• 申請日: 2021-03-23
• 公開（公告）號: CN113011660A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 楊瑞君;胡雪琦;張斌;黃宇;何立君
• 申請（專利權）人: 上海應用技術大學;上海牛甲機電科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發明提供了一種空氣質量預測方法、系統及存儲介質，包括以下步驟：獲取一歷史時間段的目標空氣質量數據，所述目標空氣質量數據包括空氣污染物濃度和空氣質量指數；建立一用于訓練所述目標空氣質量數據的神經網絡模型；將所述目標空氣質量數據輸入至所述神經網絡模型中進行訓練，生成一空氣質量預測模型；輸入一時刻的空氣質量數據至所述空氣質量預測模型中確定下一時刻的空氣質量數據。本發明通過對空氣質量數據進行主成分分進行降維，再結合基于遺傳算法優化的神經網絡進行預測，夠有效的降低迭代次數和均方誤差，提高預測的準確率。

技術領域

本發明涉及空氣質量指數預測技術領域，具體地，涉及一種空氣質量預測方法、系統及存儲介質。

背景技術

空氣環境中的主要污染物是一氧化碳、臭氧、氮氧化合物、硫氧化物，可吸入顆粒物、細顆粒物等。在我國，為了改善人們生活和居住環境，保障居民自身健康發展，規范環境空氣質量的標準分級，污染物項目及取值時間等，從我國的具體實際國情出發，在2010年1月1日以后，全國各城市都采用我國環保部門定制的環境空氣質量指數新標準，《環境空氣質量標準》(GB 3095-2012)和《環境空氣質量指數(AQI)技術規定(試行)》(HJ 633-2012)國家標準，本發明所采用的城市環境空氣質量標準即為此標準。

目前大氣污染物預測主要分為機理模型和統計模型兩類。機理模型即通過大氣污染物的產生、轉換、擴散的物理化學過程進行建模，如CMAQ模型，而由于其相相關過程比較復雜，建模難度大，預測的精度難以提升。統計模型即通過歷史數據，捕捉數據特征，得到污染物變化規律，現有的這類模型包括BP神經網絡，SWM，MLR等。對于模式識別算法而言，Zaromb和Stetter提出采用靈敏度部分重疊氣體傳感器陣列解決氣體傳感器的交叉敏和選擇性問題以來，人們對氣體傳感器陣列的信號處理技術研究表現了很大的興趣，先后研究了變換最小方差法(TLS)、局部模型構造法(PMB)、主成分分析法(PCA)等傳統的模式識別方法，以及誤差反向傳播神經網絡(BP)、自適應共振神經網絡(ART)、自組織特征映射神經網絡(SOFM)等人工神經網絡方法，這些方法普遍運用于對氣體傳感器陣列的設計上。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種空氣質量預測方法、系統及存儲介質，能夠有效的降低迭代次數和均方誤差。

根據本發明提供的空氣質量預測方法，包括以下步驟：

步驟S1：獲取一歷史時間段的目標空氣質量數據，所述目標空氣質量數據包括空氣污染物濃度和空氣質量指數；

步驟S2：建立一用于訓練所述目標空氣質量數據的神經網絡模型；

步驟S3：將所述目標空氣質量數據輸入至所述神經網絡模型中進行訓練，生成一空氣質量預測模型；

步驟S4：輸入一時刻的空氣質量數據至所述空氣質量預測模型中確定下一時刻的空氣質量數據。

優選地，所述步驟S1包括如下步驟：

步驟S101：通過空氣質量檢測裝置對空氣進行數據采集生成為空氣模擬信號；

步驟S102：將所述空氣模擬信號輸入到信號放大電路中，并于調制解調器內進行調整，輸出空氣數字信號，即空氣質量數據；

步驟S103：對所述空氣質量數據采用主成分分析法對所述空氣質量數據進行相關性分析，用以篩選出相關性較高的因子，進而生成目標空氣質量數據。

優選地，所述步驟S3包括如下步驟：

步驟S301：根據所述空氣質量數據構建一樣本集；

步驟S302：隨機劃分所述樣本集為訓練樣本和測試樣本；

步驟S303：順序讀取所述空氣質量數據，并分批輸入所述目標空氣質量數據至所述神經網絡模型的輸入模塊中，以執行訓練操作；