一种基于改进粒子群优化SVM的空气质量预测算法制造技术

本发明专利技术涉及一种基于改进粒子群优化SVM的空气质量预测算法，属于数据挖掘以及进化算法领域。该算法首先考虑气温、湿度、日照、降水量等多种气象要素，选择与空气质量相关性较强的气象要素构成特征向量，接着利用特征向量与空气质量数据作为SVM预测模型的输入，针对现有的粒子群算法存在的收敛速度慢以及易陷入局部最优解的缺点提出改进的粒子群算法，并用改进的粒子群算法对SVM模型参数进行优化找出最优参数，最后利用最优参数模型对空气质量进行预测。本算法利用改进的粒子群算法充分挖掘SVM模型的潜力，与其他现有预测方法相比具有精度高等优点。

An air quality prediction algorithm based on Improved Particle Swarm Optimization SVM

【技术实现步骤摘要】
一种基于改进粒子群优化SVM的空气质量预测算法
本专利技术涉及数据挖掘以及进化算法领域，具体的涉及一种基于改进粒子群优化SVM的空气质量预测算法。
技术介绍
近年来，随着工业生产的发展与人类活动的增加，造成大量能源消耗与废物排放，空气质量问题日益突出，尤其是可吸入颗粒物(PM2.5)严重影响人体健康。因此空气质量的精准预测对人们的生产、生活、培养保护环境意识等具有重要的指导意义。目前对空气质量预测的研究多采用机器学习。目前的主要预测方法有神经网络、支持向量机(SVM)、时空数据模型等，这些方法的预测精度大都和其参数的选取有关，目前的主流研究大都靠建模者本身的经验进行参数选取，这就造成难以推广的难点。
技术实现思路
为了弥补先有技术的不足，本专利技术以改进的粒子群算法寻找最优SVM模型参数为中心点提出一种基于改进粒子群优化SVM的空气质量预测算法为实现上述目的，设计了三个部分：确定SVM模型的输入量、改进现有的粒子群算法以及利用改进的粒子群算法找出SVM模型的最优参数。其各个部分的方法如下：确定模型的输入量首先对空气质量数据以及各种气象数据做归一化处理，利用灰色关联法对空气质量数据以及气温、湿度、温度等气象因素进行分析，找出关联系数在0.4以上的气象因素作为特征向量，利用特征向量与空气质量数据作为SVM模型的输入。改进现有的粒子群算法所做的工作是：粒子群算法是基于粒子迭代寻找解空间的最优值的一种全局动态寻优计算方法，该算法通过在每次迭代过程中追寻全局极值和个体极值Pibest来不断的调整自己的位置与速度。其迭代公式为：上式中(1)为速度更新公式，(2)为位置更新公式，w称为惯性因子，C1和C2称为加速常数，一般选取C1,C2∈[0,4]。r1,r2表示在0到1之间随机的数值。基于粒子群算法的原理w应该随着搜索的进行而不断减小。w的变化规律表示为：式(3)中：wmax、wmin分别为最大、最小惯性权重；Tmax、Ti分别为最大迭代次数和当前迭代次数。基本的粒子群算法存在两个问题：1)算法后期，粒子多集中在最优解的一边导致粒子寻优速度下降，迭代速度变慢；2)算法容易早熟，陷入局部最优解。针对现有的问题提出增加动量项以及用余弦函数来自适应权重的改进粒子群算法。首先在基本的粒子群算法的速度更新公式中加入动量项：接着采用0～π之间的余弦函数控制惯性权值的变化：w＝[(wmax-wmin)/2]cos(πTi/Tmax)+(wmax+wmin)/2(5)改进后新的速度以及位置公式为：利用改进的粒子群算法找出SVM模型的最优参数部分所做的工作是：利用改进的粒子群算法对SVM模型的优化步骤如下：Step0:初始化算法的参数c1,c2,w,α以及粒子群规模以及最大的迭代次数Tmax。随机初始化SVM参数组合(C,σ,ε,λ)在解的空间中的位置以及粒子初始速度和位置，设置粒子的最大速度Vmax、惯性权重w取值范围以及SVM各参数的取值范围。Step1：将粒子的个体极值Pibest设置为粒子当前的位置。计算各个粒子的适应度值，取适应度最小的粒子的Pibest作为开始的全局极值Pgbest。Step2：根据公式(12)(13)重新确定粒子的速度以及位置，根据公式(14)确定新的适应度值，令pipresent＝Ffitness。Step3：比较更新后的适应度值pipresent和粒子当前最优的Pibest，若pipresent＞Pibest，则更新Pibest。Step4：比较更新后的pipresent和全局最优解Pgbest。若pipresent＞Pgbest，则更新Pgbest。Step5：判断收敛条件是否满足若满足则输出最优SVM参数组合，否则回到Step1附图说明图1是本专利技术的算法流程图。图2是本专利技术的改进粒子群算法优化SVM模型流程图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。图1是本专利技术的算法流程图：第一步：对空气质量数据进行预处理，剔除异常数据，对缺少的数据进行插补。第二步：分析空气质量与气象要素的相关性，找出与空气质量相关性较强的气象要素作为特征向量。首先对空气质量数据以及各种气象数据做归一化处理，利用灰色关联法对空气质量数据以及气温、湿度、温度等气象因素进行分析，找出关联系数在0.4以上的气象因素作为特征向量。第三步：划分训练样本与测试样本，训练样本用来寻找模型参数，测试样本用来实验模型性能。第四步：改进的粒子群算法优化并设置初始化参数。粒子群算法是基于粒子迭代寻找解空间的最优值的一种全局动态寻优计算方法，该算法通过在每次迭代过程中追寻全局极值Pgbest和个体极值Pibest来不断的调整自己的位置与速度。其迭代公式为：上式中(1)为速度更新公式，(2)为位置更新公式，w称为惯性因子，C1和C2称为加速常数，一般选取C1,C2∈[0,4]。r1,r2表示在0到1之间随机的数值。基于粒子群算法的原理w应该随着搜索的进行而不断减小。w的变化规律表示为：式(3)中：wmax、wmin分别为最大、最小惯性权重；Tmax、Ti分别为最大迭代次数和当前迭代次数。基本的粒子群算法存在两个问题：1)算法后期，粒子多集中在最优解的一边导致粒子寻优速度下降，迭代速度变慢；2)算法容易早熟，陷入局部最优解。针对现有的问题提出增加动量项以及用余弦函数来自适应权重的改进粒子群算法。首先在基本的粒子群算法的速度更新公式中加入动量项：接着采用0～π之间的余弦函数控制惯性权值的变化：w＝[(wmax-wmin)/2]cos(πTi/Tmax)+(wmax+wmin)/2(5)改进后新的速度以及位置公式为：初始化参数如下：c1＝1.5,c2＝1.7,α＝0.4，最大迭代次数Tmax＝300，种群规模m＝20，w∈[0.4,0.95]，Vmax＝50，C∈[1,100]，ε∈[0.001,10]，λ∈[0.50,0.99]，σ∈(0,10]。第五步：利用改进的粒子群算法寻找SVM模型的最优参数。把训练样本输入支持向量机建立回归模型，利用改进的粒子群算法对SVM模型的优化步骤如下：Step0:初始化算法的参数c1,c2,w,α以及粒子群规模以及最大的迭代次数Tmax。随机初始化SVM参数组合(C,σ,ε,λ)在解的空间中的位置以及粒子初始速度和位置，设置粒子的最大速度Vmax、惯性权重w取值范围以及SVM各参数的取值范围。Step1：将粒子的个体极值Pibest设置为粒子当前的位置。计算各个粒子的适应度值，取适应度最小的粒子的Pibest作为开始的全局极值Pgbe本文档来自技高网...

【技术保护点】
1.一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：所述一种基于改进粒子群算法的空气质量预测方法的具体步骤如下：/n第一步：对空气质量数据进行预处理；/n第二步：分析空气质量与气象要素的相关性，找出与空气质量相关性较强的气象要素作为特征向量；/n第三步：利用特征向量与空气质量数据作为SVM模型的输入；/n第四步：对现有的粒子群算法进行改进；/n第五步：利用改进的粒子群算法找出SVM模型的最优参数；/n第六步：利用优化后的SVM模型对空气质量浓度进行分析预测。/n

【技术特征摘要】
1.一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：所述一种基于改进粒子群算法的空气质量预测方法的具体步骤如下：
第一步：对空气质量数据进行预处理；
第二步：分析空气质量与气象要素的相关性，找出与空气质量相关性较强的气象要素作为特征向量；
第三步：利用特征向量与空气质量数据作为SVM模型的输入；
第四步：对现有的粒子群算法进行改进；
第五步：利用改进的粒子群算法找出SVM模型的最优参数；
第六步：利用优化后的SVM模型对空气质量浓度进行分析预测。


2.根据权利要求1所述的一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：首先对空气质量数据以及各种气象数据做归一化处理，利用灰色关联法对空气质量数据以及气温、湿度、温度等气象因素进行分析，找出关联系数在0.4以上的气象因素作为特征向量。


3.根据权利要求1所述的一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：在第四步中，粒子群算法是基于粒子迭代寻找解空间的最优值的一种全局动态寻优计算方法，该算法通过在每次迭代过程中追寻全局极值Pgbest和个体极值Pibest来不断的调整自己的位置与速度。其迭代公式为：






上式中(1)为速度更新公式，(2)为位置更新公式，w称为惯性因子，C1和C2称为加速常数，一般选取C1,C2∈[0,4]。r1,r2表示在0到1之间随机的数值。基于粒子群算法的原理w应该随着搜索的进行而不断减小。w的变化规律表示为：



式(3)中：wmax、wmin分别为最大、最小惯性权重；Tmax、Ti分别为最大迭代次数和当前迭代次数。
基本的粒子群算法存在两个问题：1)算法后期，粒子多集中...

【专利技术属性】
技术研发人员：彭艺，杨涛锋，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53