[發明專利]基于OcE的PM2.5濃度預測方法

有效

• 申請號: 202110476514.4
• 申請日: 2021-04-29
• 公開（公告）號: CN113283614B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 王曉軍;楊小明
• 申請（專利權）人: 東北財經大學
• 主分類號: G06N20/20
• 分類號: G06N20/20;G01N15/06
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 馬慶朝

1.一種基于OcE的PM_2.5濃度預測方法，其特征在于，步驟如下：

第一步:使用ONAR模型來描述PM_2.5數據流的動態特性，搭建在線PM_2.5濃度預測模型框架；基于ONAR的PM_2.5濃度預測模型包括兩部分：

一部分是NAR時間序列模型，其數學表達式如下：

PM_2.5(t+1)＝f(PM_2.5(t),PM_2.5(t-1),…,PM_2.5(t-p)),????(1)

其中PM_2.5(t+1),PM_2.5(t),PM_2.5(t-1),…,PM_2.5(t-p)表示PM_2.5濃度時間序列，時間單位是小時；PM_2.5·(t+1)表示下一小時的PM_2.5濃度；PM_2.5(t)表示當前PM_2.5濃度；PM_2.5(t-1),PM_2.5(t-2),…,PM_2.5(t-p)是前1,2,…,p個小時的PM_2.5濃度，p+1表示自回歸的階數，選取若干個候選值p+1＝1,2,3,4,…分別建立基于ONAR的PM_2.5濃度預測模型，選取使得PM_2.5濃度預測精度最高的p+1候選值最為p+1的最終值，f(·)表示非線性映射函數；

另外一部分是初代NAR模型的建立過程以及后代NAR模型的在線更新過程；

第二步:利用EnsMDOS-ELM遞歸學習每一代NAR模型的非線性函數，利用GEM融合規則獲得每一代MDOS-ELM子模型的權重；

第三步:綜合執行第一步～第二步，獲得基于OcE的PM_2.5濃度預測模型；

第四步：設計OcE預測模型時間穩定性的檢測方法，即任何當前NAR-EnsMDOS-ELM模型預測未來幾年的每小時PM_2.5濃度；

在上述步驟中，

第一步的初代NAR模型的建立過程以及后代NAR模型的在線更新過程，實現過程為：PM_2.5數據按時間順序不斷產生；

根據時間順序，使用歷史周期內的PM_2.5數據構造初代樣本塊建立初代NAR?PM_2.5濃度預測模型令后代NAR模型的更新周期為當累計了第1個更新周期的樣本后構造第1代樣本塊更新獲得第一代NAR?PM_2.5濃度預測模型當累計了第2個更新周期的樣本后構造第2代樣本塊更新獲得第一代NAR?PM_2.5濃度預測模型以此類推，不斷獲得新的樣本塊并更新模型；

分別準備和候選集，即年,2年,3年；年,1年，產生了6種組合：分別在每種組合下建立并測試基于OcE的PM_2.5濃度預測模型，挑選預測性能最好的組合，即OcE?PM_2.5濃度預測模型的測試集均方根誤差及其標準差最低的組合；

第二步的EnsMDOS-ELM是指以MDOS-ELM為基學習機的集成方法，獲得EnsMDOS-ELM的過程，包括：EnsMDOS-ELM模型集成了一組具有遞歸學習能力的且各不相同的MDOS-ELM子模型，EnsMDOS-ELM模型主要包括兩個環節：

第一個環節是訓練各代MDOS-ELM子模型，每一個初代MDOS-ELM子模型都建立在初代樣本塊上；令表示初代EnsMDOS-ELM中的第i個子模型，其中M表示EnsMDOS-ELM中子模型的總數；當獲得第1代樣本塊后，第1代MDOS-ELM子模型通過遞歸學習的方式從自其初代子模型更新獲得；當獲得第2代樣本塊S₂后，第2代MDOS-ELM子模型通過遞歸學習的方式從自第1初代子模型更新獲得；

第二個環節是使用Perrone和Cooper定義的GEM融合規則計算每一代MDOS-ELM子模型的權重；每一代子模型的權重都隨著新樣本塊進行動態調整。

2.根據權利要求1所述的基于OcE的PM_2.5濃度預測方法，其特征在于：第四步的OcE預測模型時間穩定性的檢驗過程如下：任何當前NAR-EnsMDOS-ELM模型預測未來幾年的每小時PM_2.5濃度，其中NAR-EnsMDOS-ELM表示以EnsMDOS-ELM為非線性擬合函數的NAR模型；使用2010～2015年北京每小時PM_2.5數據進行實驗；當和時，OcE?PM_2.5濃度預測模型的測試集均方根誤差及其標準差最低，即預測性能最好；此時，使用2010～2011年的每小時PM_2.5數據構造并建立每年更新一次OcE?PM_2.5濃度預測模型；由2012年的每小時PM_2.5數據構造并建立由2013年的每小時PM_2.5數據構造并建立依次類推，當和時的OcE?PM_2.5濃度預測模型的具體的時間穩定性檢驗過程：

如果檢驗OcE模型對未來一年的預測效果，則以2012年的每小時PM_2.5數據為的測試集；以2013年的每小時PM_2.5數據為的測試集；以2014年的每小時PM_2.5數據為的測試集；依次類推，計算OcE模型在2012～2015測試集上RMSE的平均值和標準差

如果檢測OcE模型對未來兩年的預測效果，則以2013年的每小時PM_2.5數據為的測試集；以2014年的每小時PM_2.5數據為的測試集；以2015年的每小時PM_2.5數據為的測試集；依次類推，計算OcE模型在2013～2015測試集上RMSE的平均值和標準差

從理論上分析，會大于等于這是因為隨著預測周期的延長，預測難度會加大，預測誤差會隨之增大；小于等于或略大于則表明OcE模型的時間穩定性好；實驗結果證明基于OcE的PM2.5濃度預測模型具有好的時間穩定性。