一种基于混合门限神经网络的PM2.5浓度值预测方法技术

一种基于混合门限神经网络的PM2.5浓度值预测方法，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、通过更新门函数和重置门函数构建了模拟门限网络，对原始数据进行初步预测，得到了PM2.5模拟数据；步骤3、通过更新门函数、重置门函数和softmax函数构建了判别门限网络，对模拟数据的真实性进行了判别；步骤4、采用混合门限神经网络预测PM2.5浓度值。本发明专利技术有效地提高当前PM2.5浓度值的预测精度与训练速度，拓宽了神经网络预测的局限性，能够实现长时期的数据精准预测。

A Prediction Method of PM2.5 Concentration Value Based on Hybrid Threshold Neural Network

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浓度实时预报方法。苏盈盈等人在专利《基于无迹卡尔曼神经网络的PM2.5浓度预测方法》中，提供了一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法。经文献调研分析，目前已提出的PM2.5浓度值预测方法均以神经网络为核心架构，对PM2.5浓度值以及其他相关指标(比如AQI、PM10、NO2、CO、SO2、O3)进行非线性回归分析。神经网络模型包含ANN，DNN，FNN和BPNN等，以及结合遗传算法、随机森林等优化算法优化后的混合方法。并且，逐渐开始有学者使用循环神经网络等方法对PM2.5浓度数据的时序特性进行学习。但是，经文献调研，现有的PM2.5浓度值神经网络预测方法在对PM2.5浓度数据的时序特性进行学习时，存在学习梯度消失和梯度爆炸的缺陷，导致对PM2.5浓度数据进行长时期预测时无法得到高精度的预测结果。
技术实现思路
为了克服已有PM2.5浓度值预测方式在对PM2.5浓度数据的时序特性进行学习时，存在的学习梯度消失和梯度爆炸的缺陷，以及在长时期的PM2.5浓度数据预测中体现的预测精度不足，本专利技术在对PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据进行非线性相关分析之外，还引入一个模拟门限网络对原始数据进行训练学习后得到PM2.5模拟数据，并将模拟数据送入判别门限网络中进行判别，根据判别结果进行交次迭代与调整，提供一种针对长时期数据预测，克服了梯度消失与梯度爆炸的，可以准确描述PM2.5浓度值时间变化规律的基于混合门限神经网络的PM2.5浓度值预测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于混合门限神经网络的PM2.5浓度值预测方法，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)yt＝σ(Wo·ht)(13)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3.4、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；其中，Vi是分类器前级输出单元的输出，i表示类别索引，总的类别个数为C，Si表示的是当前元素的指数与所有元素指数和的比值；步骤3.6、将模拟数据和对应的真实数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示模拟数据为真实数据的概率；步骤4、采用混合门限神经网络预测PM2.5浓度值，过程如下：步骤4.1、将模拟门限网络中生成的模拟数据与原始数据输入判别门限神经网络，建立混合门限神经网络并训练；步骤4.2、计算判别门限网络损失函数：LD＝-((1-y)log(1-D(G(m)))+ylogD(x))(15)y为输入数据的类型，当输入数据为真实数据时，y＝1，损失函数公式的前半部分为0，D(x)为判别门限模型的输出，表示输入数据为真实数据的概率；当输入数据为非真实数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成模型的输出；步骤4.3、计算混合门限神经网络的损失函数：其中，表示判别门限模型的预测类别，对预测概率取整为0或者1，用于更改梯度方向；步骤4.4、根据损失函数的误差进行反向传播，调整混合门限神经网络的各层权值，调整方式如下：步骤4.5、判断混合门限神经网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述混合门限神经网络训练完成；步骤4.6、将待测数据输入到所述训练完成的混合门限神经网络中，输出PM2.5浓度值的最终预测值。进一步，所述PM2.5浓度值指标包括AQI、PM10、NO2、CO、SO2和O3浓度。本专利技术中，所述步骤2中，通过更新门函数和重置门函数构建了模拟门限网络，对原始数据进行初步预测，得到了PM2.5模拟数据。所述步骤3中，通过更新门函数、重置本文档来自技高网...

【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