[發(fā)明專利]基于數(shù)據(jù)融合的短時空氣質量預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211525571.8
• 申請日: 2022-11-30
• 公開（公告）號: CN115862765A
• 公開（公告）日: 2023-03-28
• 發(fā)明（設計）人: 金陳卓
• 申請（專利權）人: 金陳卓
• 主分類號: G16C20/30
• 分類號: G16C20/30;G06N3/0442;G06N3/08
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 方略

本發(fā)明涉及人工智能技術領域，提供一種基于數(shù)據(jù)融合的短時空氣質量預測方法，提取歷史空氣質量數(shù)據(jù)中的多個特征因子，并進行數(shù)據(jù)預處理，采用小波去噪方法對污染物數(shù)據(jù)樣本X進行處理，輸出的第一數(shù)據(jù)集為X_W，采用變分模態(tài)分解法將污染物數(shù)據(jù)樣本X分解為多模態(tài)分量集X_V，與氣象數(shù)據(jù)X*融合生成融合數(shù)據(jù)集D，采用主成分分析方法對融合數(shù)據(jù)集D進行降維和特征提取，再采用訓練好的BiLSTM模型進行PM2.5濃度預測，減少特征因子交叉干涉，且能夠更好地學習到非線性和非穩(wěn)態(tài)的空氣質量數(shù)據(jù)樣本的有效特征，且提高PM2.5峰谷值位置的預測精度。

技術領域

本發(fā)明涉及人工智能技術領域，特別涉及一種基于數(shù)據(jù)融合的短時空氣質量預測方法及系統(tǒng)。

背景技術

大氣污染物因子有很多種，PM2.5是指大氣中直徑小于或等于2.5微米的顆粒物，富含大量的有毒、有害物質且在大氣中的停留時間長、輸送距離遠，因而對人體健康和大氣環(huán)境質量的影響更大，它對空氣質量和能見度等有重要的影響，PM2.5也是天氣陰霾的主要原因。

CN109670646B公開了一種基于混合門限神經網(wǎng)絡的PM2.5濃度值預測方法，包括如下步驟：步驟1、原始數(shù)據(jù)采集，原始數(shù)據(jù)包括PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度值指標歷史數(shù)據(jù)和氣象歷史數(shù)據(jù)；步驟2、通過更新門函數(shù)和重置門函數(shù)構建了模擬門限網(wǎng)絡，對原始數(shù)據(jù)進行初步預測，得到了PM2.5模擬數(shù)據(jù)；步驟3、通過更新門函數(shù)、重置門函數(shù)和softmax函數(shù)構建了判別門限網(wǎng)絡，對模擬數(shù)據(jù)的真實性進行了判別；步驟4、采用混合門限神經網(wǎng)絡預測PM2.5濃度值。

CN114444561A公開了一種基于CNNs-GRU融合深度學習模型的PM2.5預測方法，取某區(qū)域若干個監(jiān)測站的空氣質量相關數(shù)據(jù)，構成多站點多模態(tài)空氣質量數(shù)據(jù)集；S2：對多站點多模態(tài)空氣質量數(shù)據(jù)進行預處理，包括數(shù)值化編碼、缺失值填充、異常值修正、周期性特征構造和數(shù)據(jù)集劃分；S3：基于CNN和GRU，以多站點多模態(tài)空氣質量數(shù)據(jù)為輸入，構建適用于PM2.5預測的深度學習模型CNNs-GRU；S4：基于訓練集、驗證集訓練CNNs-GRU模型，并對模型進行優(yōu)化；S5：在測試集上運行最優(yōu)CNNs-GRU模型，獲得某區(qū)域未來24小時PM2.5濃度的精細化預測結果。

CN111340292B公開了一種基于聚類的集成神經網(wǎng)絡PM2.5預測方法。包括以下步驟：S1)獲取歷史PM2.5數(shù)據(jù)和氣象數(shù)據(jù)，進行數(shù)據(jù)預處理后，得到數(shù)據(jù)集；S2)使用皮爾遜相關系數(shù)分析PM2.5與包括氣象數(shù)據(jù)和時間戳的輔助數(shù)據(jù)的相關性，以利用提取的特征提高聚類性能，以及訓練集成神經網(wǎng)絡；S3)建立基于風向的聚類方法，以考慮風向對PM2.5的影響，提高預測的精度；S4)建立集神經網(wǎng)絡、遞歸神經網(wǎng)絡和長短時間記憶網(wǎng)絡于一體的集成神經網(wǎng)絡模型來預測PM2.5濃度，以減小單一模型的過擬合問題；S5)以過去一段時間的數(shù)據(jù)為輸入，輸入集成神經網(wǎng)絡，分析和預測未來的PM2.5數(shù)據(jù)。

CN114626605A公開了一種基于模態(tài)分解的混合模型的空氣污染物濃度預測方法，獲取該地區(qū)的所有空氣質量站的PM2.5、其他污染物以及氣象因子，并進行空間依賴分析，采用0.85作為相關閾值，處理得到目標站與鄰近站的PM2.5、其他污染物以及氣象因子的序列；并采用CEEMDAN對PM2.5進行序列分解，并利用PM2.5分解后子序列、其他污染物以及氣象因子對構建的CNN-GRU混合模型進行訓練，得到訓練好的PM2.5濃度預測模型，對目標站PM2.5濃度進行預測。

現(xiàn)有技術中，采用單一空氣質量因子難以實現(xiàn)對PM2.5短時預測且預測精度不高；采用大量的空氣質量數(shù)據(jù)輸入傳統(tǒng)的神經網(wǎng)絡模型，不僅計算量大，并且預測準確率不高。

發(fā)明內容

經過長期實踐發(fā)現(xiàn)，多個空氣質量數(shù)據(jù)作為神經網(wǎng)絡預測模型的輸入，往往出現(xiàn)多個輸入變量因子交叉干涉，并且數(shù)據(jù)量大的情況下，整個預測模型計算量大，從而導致效率低；由于空氣質量數(shù)據(jù)樣本屬于非線性和非穩(wěn)態(tài)的時間序列數(shù)據(jù)，傳統(tǒng)的神經網(wǎng)絡模型不能夠很好的學習到空氣質量數(shù)據(jù)樣本的有效特征，特別會影響預測峰谷值位置的精度。