The invention relates to an air quality prediction method based on a depth neural network, which comprises steps: S1: collecting the concentrations of various air pollutants at different locations at different time points; S2: sorting the concentrations of various pollutants to obtain the concentration vectors; S3: taking the concentration vectors of different locations at the same time point as a data set. Group 4: Choose a known set containing all the pollutant concentration values from multiple data sets, find out the missing pollutant concentration data sets in the set to be measured, and determine the corresponding time points; S5: Select the corresponding time points from the known set. Data group as input data, other data groups as output data, to obtain input vectors; S6: Construct a depth neural network model, the other data groups in the set to be measured as input values, input model to obtain output values as predictive values. Compared with the existing technology, the invention has the advantages of improving the prediction accuracy and so on.
【技术实现步骤摘要】
一种基于深度神经网络的空气质量预测方法
本专利技术涉及空气质量预测
,尤其是涉及一种基于深度神经网络的空气质量预测方法。
技术介绍
由于全球社会经济和工业化过程的发展,以及世界城市化飞速发展,能源、交通规模的扩大,城市人口的膨胀,大型工业开发区的建立等为大气环境带来了前所未有的巨大压力。以颗粒物、二氧化硫、氮氧化物等为主要污染物的大气环境污染问题日趋严重,对资源、环境的巨大冲击威胁着可持续发展的基础。我国是发展中国家,能源结构不尽合理,使城市大气污染不断加重。因此,如何防治大气污染,减轻大气污染的危害与影响,成为当今重大而紧迫的研究课题。在这种形势下,开展空气质量预测的研究具有重要意义。开展空气质量预测不仅可以更好地了解空气污染变化趋势,掌握及时、准确、全面的空气质量信息,而且对城市环境管理、污染控制、环境规划、城市建设及公共卫生事业均有重要的实际应用价值。空气质量的时空分布受到气象场、排放源、复杂下垫面、理化过程的耦合等多种因素的影响,具有较强的非线性特性。以往在空气质量预测领域中常用的统计预测方法,虽然建立简单,业务运行方便、易普及,但缺乏坚实的物理基础,需要大量的监测资料;数值预测虽然物理基础坚实,预测结果全面,但模式所需要的边界、初始条件不易给出,难度大,计算时间长,预测结果精度不高。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度神经网络的空气质量预测方法。本专利技术的目的可以通过以下技术方案来实现:本专利技术方法基于深度神经网络,并采用DNN(DeepNeuralNetwork,DNN)结构进行空气质量的预 ...
【技术保护点】
1.一种基于深度神经网络的空气质量预测方法,其特征在于,包括下列步骤:S1:确定时间序列和等间隔时间点,对不同地点采集各等间隔时间点下的各个空气污染物的浓度;S2:将采集的各个污染物浓度排序,获取不同地点在不同时间点的浓度向量,各个浓度向量中浓度种类的排序一致;S3:将不同地点在同一时间点的浓度向量作为一个数据组,将一个时间序列中所有数据组作为一个数据集合;S4:从多个数据集合中选出一个包含所有污染物的浓度值的已知集合,找出待测集合中缺失的污染物浓度的数据组,确定其所对应的时间点;S5:从已知集合中挑选出与时间点对应的数据组作为输入数据,将已知集合中其余数据组作为输出数据,获取输入向量作为隐层;S6:根据输入向量构建深度神经网络模型,将待测集合中其他数据组作为输入值,通过深度神经网络模型获取输出值,进而完成待测集合中缺失浓度的预测。
【技术特征摘要】
1.一种基于深度神经网络的空气质量预测方法,其特征在于,包括下列步骤:S1:确定时间序列和等间隔时间点,对不同地点采集各等间隔时间点下的各个空气污染物的浓度;S2:将采集的各个污染物浓度排序,获取不同地点在不同时间点的浓度向量,各个浓度向量中浓度种类的排序一致;S3:将不同地点在同一时间点的浓度向量作为一个数据组,将一个时间序列中所有数据组作为一个数据集合;S4:从多个数据集合中选出一个包含所有污染物的浓度值的已知集合,找出待测集合中缺失的污染物浓度的数据组,确定其所对应的时间点;S5:从已知集合中挑选出与时间点对应的数据组作为输入数据,将已知集合中其余数据组作为输出数据,获取输入向量作为隐层;S6:根据输入向量构建深度神经网络模型,将待测集合中其他数据组作为输入值,通过深度神经网络模型获取输出值,进而完成待测集合中缺失浓度的预测。2.根据权利要求1所述的一种基于深度神经网络的空气质量预测方法,其特征在于,所述的深度神经网络模型采用DNN模型,该DNN模型为L+2层结构,...
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。