[發明專利]基于多參數空間濾波預測模型預測大氣污染物數據的方法

在審

• 申請號: 202211234756.3
• 申請日: 2022-10-10
• 公開（公告）號: CN115526410A
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 蘇哲賢;王順平;趙哲
• 申請（專利權）人: 王順平
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F17/18;G06K9/62;G06F17/16
• 代理公司: 合肥市科深知識產權代理事務所(普通合伙) 34235
• 代理人: 邢兆瀚

1.基于多參數空間濾波預測模型預測大氣污染物數據的方法，其特征在于，包括以下步驟：

步驟S1：將空氣污染參數分為全局變量與局部變量；

步驟S2：通過空間回歸算法獲取空氣污染參數的回歸方程及對應的回歸系數；

步驟S3：結合回歸系數、地區參數矩陣進行空間濾波分析，獲取遞歸預測結果。

2.根據權利要求1所述的基于多參數空間濾波預測模型預測大氣污染物數據的方法，其特征在于，所述步驟S2中，獲取空氣污染參數的回歸方程的方法為：

對于全局變量：

回歸方程為：y＝β₀+β₁x₁+β₂x₂+β₃x₃+…+β_px_p+ε (式一)；

其中，y為因變量，x₁,x₂,x₃…x_p為自變量，β₁,β₂,β₃…β_p為回歸系數，β₀為回歸常數；ε是隨機誤差，其滿足基本假設：

E(ε)＝0(2) (式二)；

Var(ε)＝σ²(3) (式三)；

對于局部變量：

回歸方程為：y_s,t＝a_s,t+Σ_kβ_k,sμ_k,s,t+ε_s,t (式四)；

其中，y_s,t是采樣地點s在t時刻的因變量，μ_k,s,t是采樣地點s在t時刻的自變量，β_k,s是要估計的對應變量的回歸系數，ε_s,t是估計誤差，a_s,t是采樣地點s在t時刻的回歸截距常數，k指的是第k個空氣污染參數。

3.根據權利要求2所述的基于多參數空間濾波預測模型預測大氣污染物數據的方法，其特征在于，在獲取空氣污染參數的回歸方程之后，獲取空氣污染參數的回歸系數的方法為：

隨機抽取空氣污染參數對應的回歸方程計算的數據作為多個樣本數據集；

在多次抽取之后按照規則選取每個樣本數據集的最佳選擇，每一個最佳選擇便生成一個決策樹H_m(X)，m個決策樹即構成隨機森林,由以下算法在隨機森林中選取最佳結果：

其中，I為示性函數，argmax為最大值自變量集合，Y為輸出變量，X為總體樣本數據的集合。

4.根據權利要求3所述的基于多參數空間濾波預測模型預測大氣污染物數據的方法，其特征在于，所述步驟S3中結合回歸系數、地區參數矩陣進行空間濾波分析的方法為：

步驟S31：假設系統狀態可以用n維空間的一個向量X_t來表示；則t時刻的系統狀態：X_t＝Ax_t-1+Bμ_t-1+Q (式六)；

其中，A為t-1時刻的系統的狀態轉移矩陣，B是控制系數矩陣，用于表達各參數與系統狀態之間的關系，Q是高斯分布的系統噪聲；

步驟S32：t時刻的測量值:Y_t＝Hx_t+r_t (式七)；

H是測量系統的轉移矩陣，r是測量系統的高斯噪聲；

步驟S33：利用即t-1時刻濾波后的值對t時刻的參數進行預估、校正和遞歸。

5.根據權利要求4所述的基于多參數空間濾波預測模型預測大氣污染物數據的方法，其特征在于，所述步驟S33中，對k時刻的參數進行預估、校正和遞歸的方法為：

獲取狀態轉移矩陣：

控制系數矩陣：

其中，γ_n是指第n個經濟社會變量的全局回歸系數；θ指全局回歸系數的微小變化；β_m,s指采樣點s的第m個氣象學變量的局部回歸系數；γ_n,s指第n個經濟社會變量的全局回歸系數；此處n代表經濟社會變量的回歸系數個數，上文提及的n維空間的僅指多個的意思；

根據系統誤差的傳遞，此時刻的誤差由上一時刻的誤差協方差P_t-1和系統噪聲Q計算得出：P_t＝AP_t-1A^T+Q；

計算卡爾曼增益：K_t＝P_tH^T/(HP_tH^T+R)，R為觀測系統噪聲；

對得到的t時刻系統狀態進行濾波，獲取最優估計值：

X_t′＝X_t+K_t(Y_t-HX_t)；

更新t時刻的最優估計值與系統狀態之間的誤差協方差，為下一時刻計算做準備，更新后的誤差協方差為：

P_t＝(B-K_tH)P_t-1，B表示單位矩陣。