[發(fā)明專利]一種基于改進(jìn)GAN與LSTM的小樣本氣體濃度預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210167252.8
• 申請(qǐng)日: 2022-02-23
• 公開（公告）號(hào): CN114462717A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計(jì)）人: 羅崔月;凌衛(wèi)青
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 葉敏華

本發(fā)明涉及一種基于改進(jìn)GAN與LSTM的小樣本氣體濃度預(yù)測(cè)方法，包括：獲取目標(biāo)氣體濃度的歷史數(shù)據(jù)；對(duì)目標(biāo)氣體濃度的歷史數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建得到歷史數(shù)據(jù)集；通過改進(jìn)的GAN對(duì)歷史數(shù)據(jù)集進(jìn)行擴(kuò)充，得到擴(kuò)充后的數(shù)據(jù)集，其中，為避免GAN網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)梯度消失問題，使用Wasserstein距離構(gòu)造損失函數(shù)對(duì)GAN網(wǎng)絡(luò)進(jìn)行改進(jìn)；按照設(shè)定的比例，將擴(kuò)充后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；利用訓(xùn)練集和測(cè)試集，對(duì)LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到氣體濃度預(yù)測(cè)模型；將實(shí)際需要預(yù)測(cè)的氣體數(shù)據(jù)輸入氣體濃度預(yù)測(cè)模型中，輸出得到對(duì)應(yīng)的預(yù)測(cè)氣體濃度。與現(xiàn)有技術(shù)相比，本發(fā)明能夠消除樣本不充足帶來的負(fù)面影響，能夠有效解決小樣本氣體濃度預(yù)測(cè)問題，并提高氣體濃度預(yù)測(cè)的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及污染氣體檢測(cè)技術(shù)領(lǐng)域，尤其是涉及一種基于改進(jìn)GAN與LSTM的小樣本氣體濃度預(yù)測(cè)方法。

背景技術(shù)

隨著船舶建造行業(yè)的大規(guī)模發(fā)展，我國相繼建設(shè)了多個(gè)大型修造船基地，在推動(dòng)我國海上經(jīng)濟(jì)、港口貿(mào)易發(fā)展和提升國防實(shí)力的同時(shí)，也對(duì)船廠周圍的環(huán)境質(zhì)量造成了一定的負(fù)面影響。由于船舶建造與修理過程中，污染物排放量較大，容易成為區(qū)域主要環(huán)境污染源。尤其在涂裝車間、船塢和其他露天場(chǎng)所進(jìn)行船舶涂裝的過程中，排放的污染物主要是揮發(fā)性有機(jī)化合物(Volatile Organic Compounds，VOCs)，具有毒性和無組織排放性。

近年來，隨著國家環(huán)保標(biāo)準(zhǔn)和要求的不斷提高，船舶行業(yè)壓力倍增，急需開展VOCs治理，以實(shí)現(xiàn)船舶綠色涂裝。與此同時(shí)，隨著新一代人工智能、大數(shù)據(jù)、云計(jì)算、移動(dòng)互聯(lián)等一批變革性創(chuàng)新技術(shù)的不斷涌現(xiàn)并快速落地，為船舶制造行業(yè)涂裝車間VOCs濃度監(jiān)測(cè)、VOCs濃度預(yù)測(cè)、VOCs治理以及治理過程中的節(jié)能減排等工作的開展帶來了新視角、新方法和新動(dòng)能。

VOCs治理的關(guān)鍵在于檢測(cè)VOCs濃度，一旦無法準(zhǔn)確獲知VOCs濃度數(shù)據(jù)不，就有可能造成不可估量的損失，甚至危害人們的生命安全。VOCs治理工程不僅要獲取當(dāng)前船廠涂裝車間內(nèi)的氣體濃度，還需要預(yù)測(cè)未來幾個(gè)小時(shí)甚至更長(zhǎng)時(shí)間內(nèi)VOCs濃度的變化趨勢(shì)，從而為涂裝車間VOCs治理工程提供基礎(chǔ)數(shù)據(jù)和設(shè)計(jì)依據(jù)。然而在當(dāng)前的實(shí)際操作中，精確獲取VOCs氣體濃度十分困難，如何在少量時(shí)序氣體濃度數(shù)據(jù)的場(chǎng)景下，對(duì)VOCs氣體濃度進(jìn)行精準(zhǔn)、高效地預(yù)測(cè)，是當(dāng)前亟需解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于改進(jìn)GAN(Generative Adversarial Network，生成對(duì)抗網(wǎng)絡(luò))與LSTM(Long Short Term MemoryNetwork，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò))的小樣本氣體濃度預(yù)測(cè)方法，以解決小樣本氣體濃度預(yù)測(cè)問題，提高氣體濃度預(yù)測(cè)的精度和效率。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：一種基于改進(jìn)GAN與LSTM的小樣本氣體濃度預(yù)測(cè)方法，包括以下步驟：

S1、獲取目標(biāo)氣體濃度的歷史數(shù)據(jù)；

S2、對(duì)目標(biāo)氣體濃度的歷史數(shù)據(jù)進(jìn)行預(yù)處理，并構(gòu)建得到歷史數(shù)據(jù)集；

S3、通過改進(jìn)的GAN對(duì)歷史數(shù)據(jù)集進(jìn)行擴(kuò)充，得到擴(kuò)充后的數(shù)據(jù)集；

S4、按照設(shè)定的比例，將擴(kuò)充后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

S5、利用訓(xùn)練集和測(cè)試集，對(duì)LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的氣體濃度預(yù)測(cè)模型；

S6、將實(shí)際需要預(yù)測(cè)的氣體數(shù)據(jù)輸入氣體濃度預(yù)測(cè)模型中，輸出得到對(duì)應(yīng)的預(yù)測(cè)氣體濃度。

進(jìn)一步地，所述步驟S2中預(yù)處理過程具體為：首先對(duì)數(shù)據(jù)進(jìn)行時(shí)間對(duì)齊，之后進(jìn)行缺失值處理、噪聲處理，最后進(jìn)行數(shù)據(jù)集成。

進(jìn)一步地，所述步驟S3中改進(jìn)的GAN包括生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，所述生成網(wǎng)絡(luò)由門控循環(huán)單元網(wǎng)絡(luò)組成，所述判別網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括最大池化層和全連接層、并使用Wasserstein距離構(gòu)造損失函數(shù)。