[發明專利]一種基于神經網絡的PM2.5逐小時預測方法

有效

• 申請號: 202110902384.6
• 申請日: 2021-08-06
• 公開（公告）號: CN113344149B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 劉東;陳斯婕;仝博文;吳凌云;劉崇
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G01N33/00
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種基于神經網絡的PM2.5逐小時預測方法，其特征在于，包括以下步驟：

(1)獲取氣溶膠光學厚度AOD數據、ECMWF氣象數據、地基數據及輔助數據；所述的地基數據包括大氣邊界層高度BLH和地基站點PM2.5濃度；所述的輔助數據包括位置參數和時間參數；所述的ECMWF氣象數據包括溫度、風速、濕度、臭氧濃度；

(2)將溫度、風速、濕度插值為氣溶膠光學厚度AOD數據的同一分辨率，得到修正溫度、修正風速、修正濕度；

(3)選取修正溫度、修正風速、修正濕度、大氣邊界層高度BLH、輔助數據和氣溶膠光學厚度AOD數據進行預處理得到包括修正溫度、修正風速、修正濕度、大氣邊界層高度BLH、輔助數據的輸入數據、包括氣溶膠光學厚度AOD數據的輸出數據組成第一訓練樣本；

(4)基于深度神經網絡構建AOD填補模型，利用第一訓練樣本中輸入數據作為AOD填補模型的輸入，以輸出數據作為AOD填補模型的輸出，訓練AOD填補模型，得到參數調優后的AOD填補模型；

(5)將修正溫度、修正風速、修正濕度、大氣邊界層高度BLH、輔助數據輸入至參數調優后的AOD填補模型中，預測并補全氣溶膠光學厚度AOD數據缺失值；

(6)對步驟(5)補全后的氣溶膠光學厚度AOD數據、修正溫度、修正風速、修正濕度、臭氧濃度、大氣霧霾層高度HLH、輔助數據、地基站點PM2.5濃度進行預處理得到包括補全后的氣溶膠光學厚度AOD數據、修正溫度、修正風速、修正濕度、臭氧濃度、大氣霧霾層高度HLH、輔助數據的輸入數據、包括地基站點PM2.5濃度的輸出數據組成第二訓練樣本；所述的大氣霧霾層高度HLH根據雷達參數修正大氣邊界層高度BLH得到，修正公式為：

HLH＝BLH×(α+α×β)

α為雷達實測后向散射系數在大氣邊界層內的積分與假設大氣邊界層內氣溶膠均勻分布時的積分之比；β為雷達實測后向散射系數在大氣邊界層上方到潔凈大氣范圍內的積分與大氣邊界層內的積分之比；

(7)根據深度神經網絡構建學習模型，利用第二訓練樣本中的輸入數據作為學習模型的輸入，輸出數據作為學習模型的輸出，訓練學習模型，并采用集成學習bagging算法集成每輪訓練的學習模型得到PM2.5預測模型；

(8)將待測地區補全后的氣溶膠光學厚度AOD數據、修正溫度、修正風速、修正濕度、臭氧濃度、大氣霧霾層高度HLH、輔助數據輸入至PM2.5預測模型中，經計算輸出待測地區的PM2.5濃度。

2.根據權利要求1所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，所述的預處理方法為：每個訓練樣本中，輸入數據和輸出數據進行時空匹配后，再將輸入數據中每類數據單獨進行標準化處理。

3.根據權利要求2所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，所述的標準化處理方法為：X＝(x-μ)/σ，x為輸入數據，μ為輸入數據的均值，σ為輸入數據的標準差，X為標準化的輸入數據。

4.根據權利要求1所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，所述的深度神經網絡為由結構鏡像的編碼器和解碼器組成的自編碼器；其中，編碼器的每一層輸出與解碼器相應層的輸出連接，形成殘差結構。

5.根據權利要求4所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，所述的編碼器和解碼器的每層采用神經網絡層。

6.根據權利要求5所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，所述的編碼器與解碼器分別包括4層神經網絡層，包含的神經元節點個數分別為128、64、32、16。

7.根據權利要求1所述的基于神經網絡的PM2.5逐小時預測方法，其特征在于，步驟(4)中，所述的訓練方法為：每三周數據進行一次訓練，第一周加入時間指數-1，第二周加入時間指數0，第三周加入時間指數1，第二周作為訓練周，訓練AOD填補模型。