A PM2.5 concentration value prediction method based on time correlation network. In addition to the nonlinear correlation analysis of PM2.5 concentration value historical data, PM2.5 concentration value related index historical data and meteorological historical data, the month, date and time tag data are quantized indifferently according to the proposed coding method, and the input layer and output layer of time sequence correlation are constructed The time characteristics of the periodic sampling sequence data can accurately describe the time variation rule of PM2.5 concentration value. The method can not only fully learn the time sequence characteristics of PM2.5 concentration data, but also deeply mine the time characteristics of the collection data cycle, effectively improve the prediction accuracy and training speed of the current PM2.5 concentration value, broaden the limitations of neural network prediction, and realize the accurate prediction of the long time sequence data collected in the cycle.
【技术实现步骤摘要】
一种基于时刻关联网络的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
,尤其涉及一种基于时刻关联网络的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,王敏等人在论文《基于BP人工神经网络的城市PM2.5浓度空间预测》中,运用BP神经网络模型对PM2.5浓度进行预测。阳其凯等人在论文《基于遗传算法与BP神经网络的PM2.5发生演化模型》中,利用遗传算法对BP神经网络加以改进并对PM2.5浓度的发生及预测进行了模拟。李翔等人在专利《一种基于集成学习的PM2.5预报方法》中,通过选择不同类型和结构的神经网络构造多个弱学习机,然后使用集成学习AdaBoost算法将多个弱学习机组合成强学习机,完成PM2.5预报工作。乔俊飞等人在论文《基于T-S模糊神经网络的PM2.5预测研究》中,提出了基于T-S模糊神经网络的PM2.5预测方法。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,针对PM2.5浓度非线性动态变化的特点,提出了一种提供了一种基于无迹卡尔曼神经 ...
【技术保护点】
1.一种基于时刻关联网络的PM2.5浓度值预测方法,其特征在于,所述方法包括如下步骤:/n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以及月份、日期和时刻数据;/n步骤2、采用编码方式对月份、日期和时刻数据进行无差别量化处理,过程如下:/n步骤2.1、对于12个月份,采用12个编码来表示12个特征值;/n步骤2.2、如步骤2.1所示,对于31个日期和24个时刻,分别采用31个编码和24个编码来各自的特征值;/n步骤3、采用时刻关联网络进行训练,过程如下:/n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:/n
【技术特征摘要】
1.一种基于时刻关联网络的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以及月份、日期和时刻数据;
步骤2、采用编码方式对月份、日期和时刻数据进行无差别量化处理,过程如下:
步骤2.1、对于12个月份,采用12个编码来表示12个特征值;
步骤2.2、如步骤2.1所示,对于31个日期和24个时刻,分别采用31个编码和24个编码来各自的特征值;
步骤3、采用时刻关联网络进行训练,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、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数:
h(1,2,...,n)=σ(z)=σ(Ux(1,2,...,n)+Wh(0,1,...,n-1)+b)(2)
o(2,...,n+1)=Vh(1,2,...,n)+c(3)
其中,t=0,1,2,…,n+1代表时刻,x(t)代表t时刻训练样本的输入;h(t)代表t时刻模型的隐藏状态,h(t)由x(t)和h(t-1)共同决定;o(t)代表t时刻模型的输出,o(t)只由模型当前的隐藏状态h(t)决定;y(t)代表t时刻训练样本序列的真实输出;U,W,V这三个矩阵是模型的线性关系参数;
步骤3.3、设定网络的期望误差最...
【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
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。