[發(fā)明專利]基于隨機森林和ISCA優(yōu)化RELM的PM2.5濃度預(yù)測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110588326.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113344261A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計）人: 馬慧心;張楚;彭甜;王業(yè)琴;趙環(huán)宇;張大鵬;錢程
• 申請（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/00
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于隨機森林和ISCA優(yōu)化RELM的PM2.5濃度預(yù)測方法，其特征在于，包括以下步驟：

(1)獲得預(yù)設(shè)的時間范圍內(nèi)歷史的PM2.5濃度數(shù)據(jù)，對所得的PM2.5濃度數(shù)據(jù)進行預(yù)處理，得到訓(xùn)練集和測試集；

(2)基于隨機森林算法對步驟(1)獲取的數(shù)據(jù)進行重要性分析，選取重要性高的特征數(shù)據(jù)作為輸入；

(3)確定正則化極限學(xué)習(xí)機的激活函數(shù)，隱含層神經(jīng)元個數(shù)的搜索范圍設(shè)為20～200，利用正則化極限學(xué)習(xí)機對處理后的pm2.5濃度數(shù)據(jù)進行訓(xùn)練；

(4)采用均勻算法，非線性和混沌搜索對正余弦算法SCA進行改進，使用改進后的正余弦算法ISCA對正則化參數(shù)、隱含層神經(jīng)元個數(shù)進行優(yōu)化，確定預(yù)測模型的最優(yōu)參數(shù)，建立基于改進正余弦算法ISCA優(yōu)化極限學(xué)習(xí)機RELM的模型ISCA-RELM；

(5)采用訓(xùn)練好ISCA-RELM模型對測試集樣本進行預(yù)測，得到測試樣本預(yù)測值，使用均方誤差、平均絕對標(biāo)度誤差，決定系數(shù)對預(yù)測值和實際值進行誤差指標(biāo)分析，判斷本模型的有效性。

2.根據(jù)權(quán)利要求1所述的基于隨機森林和ISCA優(yōu)化RELM的PM2.5濃度預(yù)測方法，其特征在于，步驟(1)所述的對數(shù)據(jù)進行預(yù)處理過程如下：

將樣本數(shù)據(jù)集分為互不相交的兩部分，一部分是訓(xùn)練集，另一部分是測試集；訓(xùn)練集占到70％，測試集占到數(shù)據(jù)的30％；判斷樣本數(shù)據(jù)集中PM2.5濃度中是否存在的突變點，突變點包括其PM2.5濃度值過大，短期內(nèi)PM2.5濃度值是否急劇增大或減小；若是，則對突變點平滑處理。

3.根據(jù)權(quán)利要求1所述的基于隨機森林和ISCA優(yōu)化RELM的PM2.5濃度預(yù)測方法，其特征在于，所述步驟(2)包括以下步驟：

(21)采用bootstrap方法進行抽樣，判斷數(shù)據(jù)重要性的計算公式如下：

VI＝∑(error2-error1)/N (1)

其中，VI為數(shù)據(jù)重要性，error1為利用袋內(nèi)數(shù)據(jù)構(gòu)建隨機森林模型得到的袋外數(shù)據(jù)誤差；error2為在袋外數(shù)據(jù)的樣本中，隨機改變其中的某些數(shù)據(jù)要素后，得到的袋外誤差；N為隨機森林決策樹數(shù)量；

(22)對隨機森林中的特征數(shù)據(jù)按照重要性VI進行降序排序；

(23)刪除當(dāng)前特征數(shù)據(jù)中不重要的數(shù)據(jù)，得到一個新的特征集；

(24)用新得到的特征集建立新的隨機森林，計算當(dāng)前特征集中的每個特征的重要性，并排序；

(25)重復(fù)(22)-(24)，直到剩下m個特征集；

(26)將得到的特征集與其對應(yīng)的隨機森林，計算其袋外數(shù)據(jù)誤差率，選取袋外誤差最低的特征集作為輸入。

4.根據(jù)權(quán)利要求1所述的基于隨機森林和ISCA優(yōu)化RELM的PM2.5濃度預(yù)測方法，其特征在于，所述步驟(3)包括以下步驟：

(31)正則化極限學(xué)習(xí)機的目標(biāo)函數(shù)為：

其中，||β||²為結(jié)構(gòu)風(fēng)險，||ξ_i||²為經(jīng)驗風(fēng)險，γ為正則化系數(shù)即懲罰因子，表示在實際風(fēng)險中結(jié)構(gòu)風(fēng)險占的權(quán)衡比重，范圍設(shè)為2^-8～2⁸；

(32)引入拉格朗日乘子建立等式約束下的二次規(guī)劃式：

其中，α＝[α₁,α₂,…α_n]^T，α_j＝[α_j1,α_j2,…α_jm]^T為拉格朗日乘子向量；

(33)通過解式(3)得到正則化極限學(xué)習(xí)機RELM的輸出權(quán)重矩陣為：

當(dāng)數(shù)據(jù)集訓(xùn)練樣本的個數(shù)大于隱藏層神經(jīng)元個數(shù)，即N≤M時，I為N×N的單位矩陣，而當(dāng)訓(xùn)練樣本的個數(shù)小于隱藏層神經(jīng)元個數(shù)，NM時，I為M×M的單位矩陣。