A PM2.5 concentration forecasting method based on hybrid threshold neural network includes the following steps: step 1, original data acquisition, original data including PM2.5 concentration historical data, PM2.5 concentration index historical data and meteorological historical data; step 2, the simulation threshold network is constructed by updating threshold function and resetting threshold function, and the original data is preliminarily forecasted, and PM2.5 concentration index historical data and meteorological historical data are obtained. 2.5 Analog data; Step 3: Establish a discriminant threshold network by updating the threshold function, resetting the threshold function and softmax function to discriminate the authenticity of the simulated data; Step 4: Predict the concentration of PM2.5 using hybrid threshold neural network. The invention effectively improves the prediction accuracy and training speed of current PM2.5 concentration value, widens the limitation of neural network prediction, and realizes long-term accurate data prediction.
【技术实现步骤摘要】
一种基于混合门限神经网络的PM2.5浓度值预测方法
本专利技术涉及空气颗粒物PM2.5浓度值的预测
,尤其涉及一种基于混合门限神经网络的PM2.5浓度值预测方法。
技术介绍
PM2.5是指大气中直径小于或等于2.5微米的颗粒物,富含大量的有毒、有害物质且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大,PM2.5超标还带来了另外一个影响——灰霾天气。空气污染如今已经成为人们关注的焦点,而在空气污染指标中,PM2.5浓度值已经成为衡量空气质量的标志性检测指标。现如今,根据历史数据对未来时间段PM2.5浓度值的预测已经成为具有较强学术意义和应用价值的研究问题。为了解决上述问题,冯樷等人在论文《基于BP神经网络的天津市PM2.5浓度预测研究》中,运用BP神经网络模型对PM2.5浓度进行仿真预测。李凤英等人在论文《基于逐步回归分析的T-S模糊神经网络预测PM2.5浓度研究》中,利用多元线性逐步回归模型、BP神经网络和T-S模糊神经网络分别得出PM2.5的预测值。谢申汝等人在论文《基于LIBSVM的PM2.5浓度预测模型》中,建立了基于LIBSVM的PM2.5浓度预测模型。杜续等人在论文《基于随机森林回归分析的PM2.5浓度预测模型》中,设计出一种新的PM2.5浓度预测模型——RFRP模型。周杉杉等人在论文《基于自组织递归模糊神经网络的PM2.5浓度预测》中,针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络。侯俊雄等人在论文《门限重复单元的PM2.5浓度预报方法》中,提出了一种基于长短期记忆神经网络的PM2.5浓 ...
【技术保护点】
1.一种基于混合门限神经网络的PM2.5浓度值预测方法,其特征在于,所述方法包括如下步骤:步骤1、原始数据采集,原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据;步骤2、采用模拟门限网络生成模拟数据,过程如下:步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数,所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:
【技术特征摘要】
1.一种基于混合门限神经网络的PM2.5浓度值预测方法,其特征在于,所述方法包括如下步骤:步骤1、原始数据采集,原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据;步骤2、采用模拟门限网络生成模拟数据,过程如下:步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数,所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:上式中,a和b分别为输入层和输出层的神经元个数,c是[0,10]之间的常数;步骤2.2、分别设定输入层、输出层数据的维度,网络的期望误差最小值、最大迭代次数和学习率;步骤2.3、分别设定更新门函数和重置门函数,以及隐含层、连接层和输出层的训练函数、连接函数和输出函数:rt=σ(Wr·[ht-1,xt])(2)zt=σ(Wz·[ht-1,xt])(3)yt=σ(Wo·ht)(6)其中,zt为更新门函数,rt为重置门函数,xt为t时刻输入层输出,为t时刻隐含层输入,ht为t时刻隐含层输出,yt为t时刻输出层输出;步骤2.4、设定损失函数:其中,yd为真实目标值。步骤2.5、将原始数据输入网络,产生一组新的PM2.5预测数据,作为模拟数据,记作D(m);步骤3、采用判别门限网络判断模拟数据的真伪,过程如下:步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数,所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:上式中,a和b分别为输入层和输出层的神经元个数,c是[0,10]之间的常数;步骤3.2、分别设定输入层、输出层数据的维度,网络的期望误差最小值、最大迭代次数和学习率;步骤3.3、分别设定更新门函数和重置门函数,以及隐含层、连接层和输出层的训练函数、连接函数和输出函数:rt=σ(Wr·[ht-1,xt])(9)zt=σ(Wz·[ht-1,xt])(10)y...
【专利技术属性】
技术研发人员:付明磊,丁子昂,吴玲玲,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。