一种城市中SO2浓度值的预测方法技术

本发明专利技术公开了一种城市中SO2浓度值的预测方法，涉及气体含量检测技术领域。该预测方法通过结合气象数值模型，弥补了气象场数据不足的问题；通过采用偏最小二乘回归法有效的解决了自变量系统中的变异信息，同时又对因变量给予了解释，克服了变量间的共线性问题，减少了计算量；另外，在基于径向基核函数的最小二乘支持向量机模型中，通过确定惩罚系数和核函数，极大的减少了利用最小二乘支持向量机模型进行预测计算的复杂性。

【技术实现步骤摘要】
一种城市中SO2浓度值的预测方法
本专利技术涉及气体含量检测
，尤其涉及一种城市中SO2浓度值的预测方法。
技术介绍
伴随着人口高速增长所带来的自然资源过渡消耗和破坏，如气候改变、滥伐森林，尤其是环境污染。当前，有超过半数的人群生活在城市中，并且到2050年这个比例有望达到66％。据最新的城市空气质量报告可知，在中低收入国家的98％的10万人口级别及以上城市的居民不能满足世界卫生组织标准。空气质量的定量预测从方法上主要有数值预测和统计预测。其中，数值预测方法较多的依赖于高分辨率的气象初始场和详尽的排放源清单数据，鉴于目前我国环境信息化现状，此方法尚不成熟。而统计预测方法的预测精度并不令人满意。但随着新技术和新理论的发展，人工智能和神经网络在空气质量预测方面发挥了较好的作用，因其过拟合、隐层节点难以确定和寻找结构参数复杂等缺点，导致训练速度和效率下降。支持向量机(SupportVectorMachine，SVM)是CorinnaCortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机(SVM，还支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。支持向量机作为一种新的数据挖掘技术，在处理回归、分类和时间序列预测等方面得到了成功应用，如李龙等提出了一种基于支持向量机和特征向量的PM2.5浓度预测模型；陈柳提出了一种支持向量机和小波分析的SO2浓度预测模型。支持向量机虽然取得较好发展，然而它仍有不足之处。支持向量机的本质是求解数学上的凸二次规划问题，而在大气污染环境当中，“内因是排放，外因是气象”已达成普遍认知，在外因中，风向、风速、气压和相对湿度等因素对大气污染的影响存在不同程度上，如把影响大气污染物浓度的因素均考虑在模型内，势必会加重训练负担，从而降低训练精度。如何克服不足，提高支持向量机的训练速度，推广其在预测空气质量参数效果，将会显得尤为重要。
技术实现思路
本专利技术的目的在于提供一种城市中SO2浓度值的预测方法，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种城市中SO2浓度值的预测方法，包括如下步骤：S1，建立气象数值模型，并利用所述气象数值模型生成目标区域的气象场数据；同时，收集所述目标区域的SO2浓度的历史数据；S2，利用如下公式，对所述气象场数据和所述SO2浓度的历史数据分别进行归一化处理，得到各因子的初始预测因子集：式中，x、xn分别为归一化前和归一化后的浓度序列值；xmin、xmax分别为原序列x的最大值和最小值；S3，将所述气象场数据和所述各因子的初始预测因子集分别利用偏最小二乘回归法提取主成分，筛选出最优预测因子集；S4，将所述最优预测因子集输入到最小二乘支持向量机模型中进行训练，得到优化的最小二乘支持向量机模型；S5，利用优化的最小二乘支持向量机模型，对预测样本进行预测，得到SO2浓度的预测值。优选地，S1中，所述气象数值模型采用WRF。优选地，S4包括如下步骤：S401，根据训练样本在最小二乘支持向量机模型中，将目标函数描述为：式中，xi为第i个样本输入向量，yi为第i个样本输出向量，l为样本容量，为非线性问题核函数，ω为权矢量，b为偏差值，T为转置符号，θi为第i个估计值和实测值之间的误差变量，γ为惩罚系数；S402，引入拉格朗日函数对目标函数进行优化，得到下式：式中，为目标函数求解值，αi为拉格朗日乘子；S403，对S402得到的函数计算偏导数，得到下式：S404，根据S403的偏导数，得到如下线性方程组：其中，q为单位矩阵；为核函数矩阵；a为拉格朗日乘子集；b为偏差值；S405，根据Mercer条件，由于核函数表示为：故将该核函数带入到线性方程组中，根据最小二乘法求解a和b；S406，将S405求解得到的核函数带入KKT最优条件，得到如下的用于预测的优化后的最小二乘支持向量机模型：式中，δ为核函数宽度。本专利技术的有益效果是：本专利技术实施例提供的城市中SO2浓度值的预测方法，通过结合气象数值模型，弥补了气象场数据不足的问题；通过采用偏最小二乘回归法有效的解决了自变量系统中的变异信息，同时又对因变量给予了解释，克服了变量间的共线性问题，减少了计算量；另外，在基于径向基核函数的最小二乘支持向量机模型中，通过确定惩罚系数和核函数，极大的减少了利用最小二乘支持向量机模型进行预测计算的复杂性。附图说明图1是本专利技术实施例提供的城市中SO2浓度值的预测方法的流程示意图；图2是本专利技术实施例中确定的气象数值模型的范围示意图；图3是本专利技术实施例中SO2浓度值的相关分析示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施例提供了一种城市中SO2浓度值的预测方法，包括如下步骤：S1，建立气象数值模型，并利用所述气象数值模型生成目标区域的气象场数据；同时，收集所述目标区域的SO2浓度的历史数据；S2，利用如下公式，对所述气象场数据和所述SO2浓度的历史数据分别进行归一化处理，得到各因子的初始预测因子集：式中，x、xn分别为归一化前和归一化后的浓度序列值；xmin、xmax分别为原序列x的最大值和最小值；S3，将所述气象场数据和所述各因子的初始预测因子集分别利用偏最小二乘回归法提取主成分，筛选出最优预测因子集；S4，将所述最优预测因子集输入到最小二乘支持向量机模型中进行训练，得到优化的最小二乘支持向量机模型；S5，利用优化的最小二乘支持向量机模型，对预测样本进行预测，得到SO2浓度的预测值。上述方法中，利用气象数值模型生成目标区域的气象数据，从而弥补了现有技术中气象场数据不足的问题，气象数据的丰富和完整，可以使得预测得到的SO2浓度数值更加准确。同时，上述方法中，采用了偏最小二乘回归法，有效的概解决了自变量系统中的变异信息，同时又对因变量给予了解释，克服了变量间的共线性问题，减少了计算量。另外，在本专利技术中，采用了最小二乘支持向量机模型，由于支持向量机模型为基于统计学习理论和结构风险最小化思想的模型，具有独立的理论背景和分类思想，所以，使得本专利技术实施例提供的方法具有独立的理论背景和分类思想。另外，在基于径向基核函数的最小二乘支持向量机模型中，通过确定惩罚系数和核函数，极大的减少了利用最小二乘支持向量机模型进行预测计算的复杂性。本专利技术实施例中，S1中，所述气象数值模型可以采用WRF。WRF(WeatherResearchandForecastModel)主要面向对象是天气预报和天气研究。WRF中有NMM和ARW两种框架可以选择，可以作为全球模式进行天气预报，也可以作为区域模式进行天气现象的数值模拟。WRF是非静力平衡的数值模式，垂直方向采用eta坐标。如本领域技术人员可以理解的，气象数值模型还可以使用ARPS、RegCM和CESM。其中，ARPS(AdvancedRegionalPredictionSystem)针对中小尺度天气研究开发的数值模式，本文档来自技高网...

【技术保护点】
1.一种城市中SO2浓度值的预测方法，其特征在于，包括如下步骤：S1，建立气象数值模型，并利用所述气象数值模型生成目标区域的气象场数据；同时，收集所述目标区域的SO2浓度的历史数据；S2，利用如下公式，对所述气象场数据和所述SO2浓度的历史数据分别进行归一化处理，得到各因子的初始预测因子集：

【技术特征摘要】
1.一种城市中SO2浓度值的预测方法，其特征在于，包括如下步骤：S1，建立气象数值模型，并利用所述气象数值模型生成目标区域的气象场数据；同时，收集所述目标区域的SO2浓度的历史数据；S2，利用如下公式，对所述气象场数据和所述SO2浓度的历史数据分别进行归一化处理，得到各因子的初始预测因子集：式中，x、xn分别为归一化前和归一化后的浓度序列值；xmin、xmax分别为原序列x的最大值和最小值；S3，将所述气象场数据和所述各因子的初始预测因子集分别利用偏最小二乘回归法提取主成分，筛选出最优预测因子集；S4，将所述最优预测因子集输入到最小二乘支持向量机模型中进行训练，得到优化的最小二乘支持向量机模型；S5，利用优化的最小二乘支持向量机模型，对预测样本进行预测，得到SO2浓度的预测值。2.根据权利要求1所述的城市中SO2浓度值的预测方法，其特征在于，S1中，所述气象数值模型采用WRF。3.根据权利要求1所述的城市中SO2...

【专利技术属性】
技术研发人员：石晓飞，王平，樊佳斌，吴文君，马晓蕊，
申请(专利权)人：航天科工智慧产业发展有限公司，
类型：发明
国别省市：北京,11