基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法技术

本发明专利技术涉及一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，包括：步骤S1：根据环境监测PM2.5污染物浓度和气象因子的数据，以PM2.5为预测的目标污染物，构建目标城市PM2.5浓度预测的模型；步骤S2：从环境监测数据中选择训练和测试数据，完成对预测模型的初始化和训练；步骤S3：利用训练完成的模型对空气PM2.5浓度进行预测。与现有技术相比，本发明专利技术对污染数据的特征能够进行深层次的分析，从而可以提取数据间深层次的联系，有效地利用环境大数据，实现环境管理水平的提升。

Air PM2.5 Concentration Prediction Method Based on AutoEncoder and BiLSTM Fusion Neural Network

The present invention relates to an air PM2.5 concentration prediction method based on AutoEncoder and BiLSTM fusion neural network, including: (1) according to the data of PM2.5 pollutant concentration and meteorological factors monitored by the environment, and taking PM2.5 as the target pollutant to predict, a PM2.5 concentration prediction model for the target city is constructed; (2) selecting training and testing data from the environmental monitoring data to complete the prediction. Initialization and training of measurement model_: Prediction of air PM2.5 concentration using the model completed by training. Compared with the existing technology, the present invention can deeply analyze the characteristics of pollution data, thereby extracting the deep-seated relationship between data, effectively utilizing large environmental data, and improving the level of environmental management.

【技术实现步骤摘要】
基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法
本专利技术涉及一种城市空气污染物浓度预测方法，尤其是涉及一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法。
技术介绍
如今，许多发展中国家仍然面临着空气污染问题。例如，在中国，在2016年，北方大部分城市的空气质量都低于国家健康空气质量标准超过40％的天数。空气污染会导致许多严重的健康问题，如呼吸道疾病、心血管疾病和肺功能下降。因此，控制空气污染引起了公众的广泛关注。美国环境保护署(EPA)将颗粒物(PM)、地面臭氧(O3)、一氧化碳(CO)、二氧化硫(SO2)和氮氧化物(NOx)列为国家环境空气质量标准中的关键污染物。在这些污染物中，颗粒物(PM)是最危险的，因为它对公共健康和环境的负面影响最大，根据世界卫生组织发布的信息，PM2.5(空气动力学直径小于2.5um)甚至增加了死亡风险。因此，当前形势下，准确的预测污染物PM2.5的浓度对于提提供及时、完整的环境质量信息进而保护公众健康，具有重大意义。准确预测污染物浓度需要充分利用当前环境下的海量数据，从而做出更精确的本文档来自技高网...

【技术保护点】
1.一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，其特征在于，包括：步骤S1：根据环境监测PM2.5污染物浓度和气象因子的数据，以PM2.5为预测的目标污染物，构建目标城市PM2.5浓度预测的模型；步骤S2：从环境监测数据中选择训练和测试数据，完成对预测模型的初始化和训练；步骤S3：利用训练完成的模型对空气PM2.5浓度进行预测。

【技术特征摘要】
1.一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，其特征在于，包括：步骤S1：根据环境监测PM2.5污染物浓度和气象因子的数据，以PM2.5为预测的目标污染物，构建目标城市PM2.5浓度预测的模型；步骤S2：从环境监测数据中选择训练和测试数据，完成对预测模型的初始化和训练；步骤S3：利用训练完成的模型对空气PM2.5浓度进行预测。2.根据权利要求1所述的一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，其特征在于，所述模型以AutoEnocder为底层，以BiLSTM为上层，所述底层压缩和提取输入数据特征，并将结果作为上层的输入以提取时间序列特征并产生最终预测结果。3.根据权利要求2所述的一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，其特征在于，所述步骤S2具体包括：步骤S21：对用于建模的数据进行归一化处理，其中，所述用于建模的数据包括原始污染物数据和原始气象数据；步骤S22：将数据集按照80％，10％，10％的比例划分训练集、验证集和测试集；步骤S23：利用训练集数据训练模型；步骤S24：利用验证集和测试集数据验证训练所得的预测模型的泛化能力。4.根据权利要求3所述的一种基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法，其特征在于，所述步骤S21中，具体采用min-max标准化方法进行归一化处理：其中：NewVariable为数据归一化处理后的值，max(variable)为数据的最大值，min(variable)为数据的最小值，variable为数据的原始值。5.根据权利要求3所述的一种基于AutoEncoder和BiLSTM融合神...

【专利技术属性】
技术研发人员：张波，张旱文，李美子，赵勤，秦东明，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：上海,31