The invention discloses an air quality grade prediction method based on online sequential regression, including step 1, input air monitoring historical data, step 2, preprocessing the air quality sample data, step 3: training online sequential regression air quality pretest model; step 4: input air to predict air. Quality sample data; step 5: preprocess the air quality sample data to be predicted; step 6: predict air quality by an online sequential regression model. The invention is applicable to the field of environmental detection technology, and can effectively and accurately train the prediction model from the air quality historical data to predict the air quality grade, improve the air quality effectively, and reasonably predict and warn the air environment quality.
【技术实现步骤摘要】
一种基于在线顺序回归的空气质量等级预测方法
本专利技术涉及环境预测
,尤其涉及一种基于在线顺序回归的空气质量等级预测方法。
技术介绍
空气是人类赖以生存的不可或缺的物质,环境空气质量和人们的日常生活息息相关,同时也在居民居住环境综合评价占有重要地位,但随着工业化和城镇化的推进以及私人车辆的持续增加,空气质量持续恶化,大气污染日益严重,雾霾天气严重影响了人们的工作和生活。如何改善空气质量、合理的进行空气环境质量预测预警变得越来越重要。传统的基于分类的空气质量预测方法在实际实现中需要将所有训练数据调入内存处理,庞大的数据量和有限的应用环境成为传统分类学习方法的主要制约因素。时至今日,历史空气质量数据的数据量已经积累庞大到不可忽视的地步,传统的基于分类的空气质量预测方法已经不能满足庞大的历史空气质量数据的处理需求。同时传统的基于分类的空气质量预测方法对于空气质量仅仅回答了‘好’或者‘不好’,不能满足进一步对空气质量分类的需求;其次,空气质量等级数据在时间和空间上分布不平衡,如何有效识别其中较少的空气质量等级数据显得极为重要,传统的基于分类的方法没有考虑到该分布不平衡问题,其性能具有较大的局限性。
技术实现思路
本专利技术为克服现有技术的不足之处,提出一种基于在线顺序回归的空气质量预测方法,以期能高效、准确的从空气质量历史数据训练出预测模型进行空气质量等级预测,有效改善空气质量、合理的进行空气环境质量预测、预警。为了达到上述目的,本专利技术采用的技术方案为:本专利技术一种基于在线顺序回归的空气质量等级预测方法的特点是按如下步骤进行:步骤一:在线顺序回归的空气质量 ...
【技术保护点】
一种基于在线顺序回归的空气质量等级预测方法,其特征是按如下步骤进行:步骤一:在线顺序回归的空气质量等级预测模型训练步骤1.1:采集历史T天空气质量监测数据作为T个空气质量样本,并提取第t个空气质量样本中d个空气质量指标作为所述第t个空气质量样本的质量指标,记为
【技术特征摘要】
1.一种基于在线顺序回归的空气质量等级预测方法,其特征是按如下步骤进行:步骤一:在线顺序回归的空气质量等级预测模型训练步骤1.1:采集历史T天空气质量监测数据作为T个空气质量样本,并提取第t个空气质量样本中d个空气质量指标作为所述第t个空气质量样本的质量指标,记为表示第t个空气质量样本中第i个空气质量指标,t=1,2,…,T;令所述第t个空气质量样本的等级记为yt,且yt∈{1,2,…,h},yt=1时,表示最高等级,当yt=h时,表示最低等级;步骤1.2:对所述第t个空气质量样本的质量指标xt进行标准化处理,得到第t个空气质量样本的特征向量并与所述第t个空气质量样本的等级yt构成第t个样本空间(x′t,yt),从而得到T个空气质量样本的样本空间,记为步骤1.3:定义当前迭代次数为n,最大迭代次数为N;并初始化n=1;步骤1.4:输入空气质量训练样本(x′n,yn);x′n为第n次迭代时输入的第n个空气质量样本的特征向量;yn表示第n次迭代时输入的第n个空气质量样本的等级;利用式(1)更新第n次迭代时等级为yn的空气质量样本的一阶统计信息式(1)中,当n=1时,为d维零向量;利用式(2)更新第n次迭代时等级为yn的空气质量样本的二阶统计信息式(2)中,当n=1时,为d×d维零向量;(x′n)T表示x′n的转置;步骤1.5:判断yn=1是否成立,若成立,则执行步骤1.6;否则,判断yn=h是否成立,若成立,则执行步骤1.10,否则执行步骤1.8;步骤1.6:利用式(3)定义空气质量等级预测模型第n次迭代的经验损失函数L(wn):式(1)中,λ为常量;wn为空气质量等级预测模型权值向量,为wn的转置,当n=1时,wn为d维零向量;表示第n次迭代时前n-1个空气质量样本中第i个空气质量样本xi的等级为2;表示第n次迭代时空气质量等级为2的空气质量样本统计个数;步骤1.7:利用式(4)更新第n次迭代的梯度gn后,执行步骤1.12:式(4)中,表示第n次迭代时等级为2的空气质量样本的一阶统计信息;表示第n次迭代时等级为2的空气质量样本的二阶统计信息;步骤1.8:利用式(5)定义空气质量等级预测模型第n次迭代的损失函数L(wn):式(5)中,表示第n次迭代时前n-1个空气质量样本中第i个空气质量样本xi的等级为yn-1;表示第n次迭代时前n-1个空气质量样本中第i个空气质量...
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。