[發明專利]一種基于改進的LSTM的空氣質量預測模型及方法在審
| 申請號： | 202110606132.9 | 申請日： | 2021-05-25 |
| 公開（公告）號： | CN113313235A | 公開（公告）日： | 2021-08-27 |
| 發明（設計）人： | 方偉;朱潤蘇;孫俊;吳小俊 | 申請（專利權）人： | 江南大學 |
| 主分類號： | G06N3/04 | 分類號： | G06N3/04;G06N3/08;G06Q10/04;G06Q50/26 |
| 代理公司： | 哈爾濱市陽光惠遠知識產權代理有限公司 23211 | 代理人： | 張勇 |
| 地址： | 214000 江蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 改進 lstm 空氣質量 預測 模型 方法 | ||
1.一種基于改進Vanilla-LSTM的空氣質量預測模型，其特征在于，所述模型包括：
多通道數據輸入模塊、深度學習網絡模塊和多路徑結果輸出模塊；各模塊依次連接；其中，所述多路徑結果輸出模塊根據對應的輸入數據所屬站點的類型選擇相應的輸出通道輸入預測結果。
2.根據權利要求1所述的空氣質量預測模型，其特征在于，所述多通道數據輸入模塊根據輸入數據所屬站點的類型選擇相應的輸入通道將輸入數據輸入深度學習網絡模塊，其中，所述站點的類型為根據各空氣質量監測站點的特征將所有空氣質量監測站點分為三類，包括：
第一類為污染源頭的監測站點，特征是自身站點附近不斷產生空氣污染因素；
第二類是作為污染物的受眾的監測站點，特征為站點本身不產生空氣污染物，但會受周邊污染物的擴散影響；
第二類是復雜混合站點，特征為本身站點周圍出現空氣污染源，同時也會明顯受到周邊污染物的擴散影響。
3.根據權利要求2所述的空氣質量預測模型，其特征在于，所述深度學習網絡模塊包含5個數據通道，針對第一類站點，選擇通道1和通道2對其空氣質量進行最終預測；針對第二類站點，選擇通道3，通道4和通道5對其空氣質量進行最終預測；針對第三類站點，選擇5個數據通道共同對其空氣質量進行最終預測。
4.根據權利要求3所述的空氣質量預測模型，其特征在于，所述深度學習網絡模塊將輸入門和遺忘門進行融合對于新輸入的站點污染數據xt，前一時間片的站點污染數據ht-1以及遷移時間片單元狀態ct-1的權重矩陣減半。
5.根據權利要求4所述的空氣質量預測模型，其特征在于，所述深度學習網絡模塊為三層隱含層網絡，第一層為IV-LSTM網絡之后連接兩層全連接層用于數據的回歸。
6.根據權利要求5所述的空氣質量預測模型，其特征在于，所述IV-LSTM層節點參數設為20，全連接層分別為70和30。
7.一種基于權利要求1-6任一所述的空氣質量預測模型進行空氣質量預測的方法。
8.根據權利要求7所述的方法，其特征在于，所述方法用于預測PM2.5值。
9.根據權利要求8所述的方法，其特征在于，所述方法根據空氣質量監測站點采集的空氣質量數據和氣象數據預測PM2.5值。
10.根據權利要求9所述的方法，其特征在于，所述空氣質量數據包括CO、NO2、SO2、O3、PM10和PM2.5，所述氣象數據包括溫度、濕度、風速以及風向。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江南大學，未經江南大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110606132.9/1.html，轉載請聲明來源鉆瓜專利網。
