[發(fā)明專利]一種基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210898188.0
• 申請(qǐng)日: 2022-07-28
• 公開(kāi)（公告）號(hào): CN115204055A
• 公開(kāi)（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 李細(xì)生;張華;張靖;謝彥君;鄧新林;易飛;張克非;謝倩雯;朱勁;石世偉;舒磊;曾欣;龔璽
• 申請(qǐng)（專利權(quán)）人: 李細(xì)生
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F119/02
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，包括以下步驟：

S1：收集樣本數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)清洗；

S2：進(jìn)行特征提取后，隨后進(jìn)行特征構(gòu)建，其中，同時(shí)構(gòu)造傳輸指數(shù)C和靜穩(wěn)指數(shù)W，并一同引入特征構(gòu)建中；

S3：利用上述數(shù)據(jù)和指數(shù)建立預(yù)測(cè)模型；

S4：依次利用不同的模型算法進(jìn)行模型訓(xùn)練，引入數(shù)據(jù)并對(duì)模型性能進(jìn)行評(píng)估；

S5：根據(jù)評(píng)估結(jié)果，選擇最優(yōu)模型，引入預(yù)測(cè)數(shù)據(jù)，實(shí)現(xiàn)預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，在步驟S1中，樣本數(shù)據(jù)的采集范圍為5年以內(nèi)數(shù)據(jù)，并在數(shù)據(jù)預(yù)處理和數(shù)據(jù)清洗時(shí)，完成數(shù)據(jù)缺失值處理和數(shù)據(jù)異常值刪除。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，空氣質(zhì)量模型的輸入數(shù)據(jù)為環(huán)境觀測(cè)數(shù)據(jù)、氣象觀測(cè)數(shù)據(jù)、數(shù)值模式預(yù)報(bào)，其中，環(huán)境觀測(cè)數(shù)據(jù)和氣象觀測(cè)數(shù)據(jù)如有缺測(cè)現(xiàn)象則直接刪除該樣本；

數(shù)據(jù)異常值刪除流程為，采用統(tǒng)計(jì)分析法，找最大值、最小值，通過(guò)觀察是否復(fù)合正態(tài)分布。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，在步驟S2中，

傳輸指數(shù)C，包含三個(gè)分指數(shù)：傳輸強(qiáng)度Cq、傳輸距離Cj、傳輸速度Cs，分指數(shù)不作混合計(jì)算各自獨(dú)立進(jìn)入模型；

靜穩(wěn)指數(shù)W，包括分指數(shù)W1、W2，其中：W1為地面天氣圖上前一日14時(shí)、20時(shí)、當(dāng)日08時(shí)26.5°N以北湖南境內(nèi)出現(xiàn)霾的國(guó)家站站點(diǎn)數(shù)，W2＝1/[P1+P2+T1+T2+V]，其中：P1為112°E海平面氣壓，P2為28°N海平面氣壓，T1、T2為氣溫，經(jīng)緯度同前，V為區(qū)域平均10m風(fēng)速。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，在步驟S3中，預(yù)測(cè)模型采用深度學(xué)習(xí)conv-biLSTM模型，所述預(yù)測(cè)模型采取扁平化結(jié)構(gòu)輸入數(shù)據(jù)。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，所述預(yù)測(cè)模型的預(yù)測(cè)流程為：

數(shù)據(jù)輸入后由卷積層conv提取不同因子之間的組合特征；

然后經(jīng)由雙層雙向biLSTM+dropout網(wǎng)絡(luò)提取時(shí)序特征；

通過(guò)全連接層fc把前面提取到的特征綜合最后輸出回歸預(yù)測(cè)值。

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，在步驟S4中，模型訓(xùn)練采用的算法包括Gs高斯過(guò)程回歸算法、Es算法、LSTM算法、SVM算法、Tr算法和NN算法。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的重污染天氣預(yù)報(bào)方法，其特征在于，在步驟S4中，模型訓(xùn)練采用的算法，依據(jù)精確度Accuracy或均方誤差RMSE評(píng)估選擇最優(yōu)模型算法。