一种空气质量指数预测方法和装置制造方法及图纸

本发明专利技术实施例提供了一种空气质量指数预测方法和装置，用于通过两阶段分解及极限学习机对空气质量指数进行预测，实现提高预测精度的技术效果。所述方法包括：获得待预测地理位置的历史空气质量指数AQI数据；根据CEEMD方法，将所述历史AQI数据分解为m个IMF分量和一个趋势分量；获得所述m个IMF分量中的高频IMF分量；获得所述高频IMF分量的n个VM分量；获得所述n个VM分量的预测值、所述高频IMF分量以外的其它IMF分量的预测值以及所述趋势分量的预测值；获得所述高频IMF的预测值；获得所述高频IMF的预测值、所述其它IMF分量的预测值以及所述趋势分量的预测值的第二线性叠加值，并将所述第二线性叠加值确定为所述待预测地理位置的AQI预测值。

【技术实现步骤摘要】

本专利技术涉及电子
，尤其涉及一种空气质量指数预测方法和装置。
技术介绍
随着工业化和城镇化的推进以及城市车辆的持续增加，大气污染日益加重，城市空气质量逐步恶化，雾霾天气也越来越多，严重影响了人们的工作生活，由此造成的健康损害引起了政府和民众的广泛关注。AQI(空气质量指数，AirQualityIndex)是定量描述城市空气质量情况的一个参数，也是目前衡量空气质量情况最常参考的指标。AQI通过函数关系将二氧化硫(SO2)、一氧化碳(CO)、二氧化氮(NO2)、臭氧(O3)以及悬浮颗粒物PM2.5和PM10五类污染物的含量信息折算为一个参数。AQI的取值区间为[0，500]，AQI数值越大、级别越高，表面空气污染状况越严重。对一个城市的AQI进行快速、准确地预测可为预防和治理空气污染发挥积极作用。目前，针对AQI预测的方法主要分为两大类：(1)因素预测法：通过建立AQI与其各影响因素之间的定量关系预测AQI。然而，由于AQI的影响因素复杂，涉及数据量大，且各影响因素之间具有高度的非线性关系，因此难以建立精确的预测模型，预测精度差。(2)基于时间序列的预测法：该类方法又可细分为两类，具体为针对原始AQI时间序列的预测方法和融入数据分解技术的AQI时间序列预测方法。其中，数据分解技术例如EMD(经验模态分解，EmpiricalModeDecomposition)、EEMD(集合经验模态分解，EnsembleEmpiricalModeDecomposition)。然而，目前融入数据分解技术的AQI时间序列预测法，只采用单一数据分解技术对AQI时间序列数据进行分解以降低数据序列的非平稳性，虽然在一定程度上提高了预测精度，但由于其分解后的数据序列中依然存在高频震荡数据序列，导致预测精度难以大幅提高。所以，现有预测AQI的方法都存在预测精度差的技术问题。
技术实现思路
本专利技术实施例提供了一种空气质量指数预测方法和装置，用于通过两阶段分解及极限学习机对空气质量指数进行预测，实现提高预测精度的技术效果。第一方面，本专利技术提供了一种空气质量指数预测方法，包括：获得待预测地理位置的历史空气质量指数AQI数据；根据互补集合经验模态分解CEEMD方法，将所述历史AQI数据分解为m个固有模态函数IMF分量和一个趋势分量；其中，m为大于1的自然数；获得所述m个IMF分量中的高频IMF分量；基于变分模态分解VMD方法，获得所述高频IMF分量的n个变分模态VM分量；其中，n为大于1的自然数；基于极限学习机模型，获得所述n个VM分量的预测值、所述高频IMF分量以外的其它IMF分量的预测值以及所述趋势分量的预测值；获得所述高频IMF分量对应的所述VM分量的预测值的第一线性叠加值，并将所述第一线性叠加值确定为所述高频IMF的预测值；获得所述高频IMF的预测值、所述其它IMF分量的预测值以及所述趋势分量的预测值的第二线性叠加值，并将所述第二线性叠加值确定为所述待预测地理位置的AQI预测值。可选的，根据互补集合经验模态分解CEEMD方法，将所述历史AQI数据分解为m个固有模态函数IMF分量和一个趋势分量，包括：向所述历史AQI数据序列中加入辅助白噪声，获得两个新的集合IMF信号；其中，向所述历史AQI数据序列中加入辅助白噪声是以期望为0，标准差为0.2，正负成对且呈正态分布的形式加入；基于经验模态分解EMD对所述两个新的集合IMF信号中的每一个信号进行分解，获得每个新的集合IMF的IMF分量；判断循环次数是否达到预设次数N；当循环次数未达到预设次数时，再次执行：向所述历史AQI数据序列中加入辅助白噪声，获得两个新的集合IMF信号，以及基于经验模态分解EMD对所述两个新的集合IMF信号中的每一个信号进行分解，获得每个新的集合IMF的IMF分量；当所述循环次数达到所述预设次数N时，获得2N组IMF分量，确定所述2N组IMF分量的平均值为所述历史AQI数据的所述m个IMF分量和所述趋势分量；其中，每组IMF分量均包括m个IMF分量和一个趋势分量。可选的，获得所述m个IMF分量中的高频IMF分量，包括：按照频率从高到低对所述m个IMF分量进行排序；确定满足预设条件的IMF分量为所述高频IMF分量。可选的，基于变分模态分解VMD方法，获得所述高频IMF分量的n个变分模态VM分量，包括：初始化和n；其中，为第1次迭代中的第k个模态函数，为的傅里叶转换，λ表示朗格拉日乘法算子，{λ1本文档来自技高网...

【技术保护点】
一种空气质量指数预测方法，其特征在于，包括：获得待预测地理位置的历史空气质量指数AQI数据；根据互补集合经验模态分解CEEMD方法，将所述历史AQI数据分解为m个固有模态函数IMF分量和一个趋势分量；其中，m为大于1的自然数；获得所述m个IMF分量中的高频IMF分量；基于变分模态分解VMD方法，获得所述高频IMF分量的n个变分模态VM分量；其中，n为大于1的自然数；基于极限学习机模型，获得所述n个VM分量的预测值、所述高频IMF分量以外的其它IMF分量的预测值以及所述趋势分量的预测值；获得所述高频IMF分量对应的所述VM分量的预测值的第一线性叠加值，并将所述第一线性叠加值确定为所述高频IMF的预测值；获得所述高频IMF的预测值、所述其它IMF分量的预测值以及所述趋势分量的预测值的第二线性叠加值，并将所述第二线性叠加值确定为所述待预测地理位置的AQI预测值。

【技术特征摘要】
1.一种空气质量指数预测方法，其特征在于，包括：获得待预测地理位置的历史空气质量指数AQI数据；根据互补集合经验模态分解CEEMD方法，将所述历史AQI数据分解为m个固有模态函数IMF分量和一个趋势分量；其中，m为大于1的自然数；获得所述m个IMF分量中的高频IMF分量；基于变分模态分解VMD方法，获得所述高频IMF分量的n个变分模态VM分量；其中，n为大于1的自然数；基于极限学习机模型，获得所述n个VM分量的预测值、所述高频IMF分量以外的其它IMF分量的预测值以及所述趋势分量的预测值；获得所述高频IMF分量对应的所述VM分量的预测值的第一线性叠加值，并将所述第一线性叠加值确定为所述高频IMF的预测值；获得所述高频IMF的预测值、所述其它IMF分量的预测值以及所述趋势分量的预测值的第二线性叠加值，并将所述第二线性叠加值确定为所述待预测地理位置的AQI预测值。2.如权利要求1所述的方法，其特征在于，根据互补集合经验模态分解CEEMD方法，将所述历史AQI数据分解为m个固有模态函数IMF分量和一个趋势分量，包括：向所述历史AQI数据序列中加入辅助白噪声，获得两个新的集合IMF信号；其中，向所述历史AQI数据序列中加入辅助...

【专利技术属性】
技术研发人员：王德运，魏帅，罗宏远，奥利维尔·格伦德，乐陈强，刘艳玲，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42