一种基于Bi-GRU的PM2.5数据处理与预测方法技术

本发明专利技术公开了一种基于Bi‑GRU的PM2.5数据处理与预测方法，包括以下步骤：构建PM2.5数据的预测模型；利用训练集数据，对所述PM2.5数据的预测模型进行训练；将测试集数据输入训练完毕的PM2.5数据的预测模型中，计算获得PM2.5的预测值；所述预测模型包括Bi‑GRU层、第一全连接层、第二全连接层和第三全连接层，各层之间依次顺序连接，前一层的输出为后一层的输入。本发明专利技术中Bi‑GRU是一种改进的GRU模型，通过连接两个GRU模型形成的一个双向结构，在GRU的基础上能够更加充分的获取序列数据的上下文信息，用于对PM2.5数据的处理和预测有较好的效果。

A PM2.5 data processing and prediction method based on Bi Gru

【技术实现步骤摘要】
一种基于Bi-GRU的PM2.5数据处理与预测方法
本专利技术属于空气污染数据处理与预测
，具体涉及一种基于Bi-GRU(Bidirectional-GatedRecurrentUnit，双向门控循环单元)的PM2.5数据处理与预测方法。
技术介绍
空气污染问题已经成为了社会普遍关注的重要问题之一。每年空气污染会导致300万人死亡，并且这个人数还在不断上升。在中国，雾霾的影响日益增大，其中最为关键的PM2.5及以下的微粒。由于PM2.5在吸入人体以后，其中75％会在肺泡内沉积，导致呼吸系统感染，胎儿发育等严重健康问题。政府一直致力于如何减少空气污染以及对人们健康的影响。一方面，政府通过限制污染企业、提倡绿色清洁能源的使用，努力治理减少空气污染物排放的同时，另一方面通过提前预测未来PM2.5浓度信息发布公众，提醒人们在极端恶劣的条件下减少户外活动，能够给人们的身体健康给与最大限度的保护。因此，对于PM2.5污染浓度的预测研究尤为重要。目前对于PM2.5污染浓度的预测精度仍然不够，难以满足人们的需求。主要采用的方法有基于回归的预测、基本文档来自技高网...

【技术保护点】
1.一种基于Bi-GRU的PM2.5数据处理与预测方法，其特征在于，包括以下步骤：/n步骤1，构建PM2.5数据的预测模型；/n步骤2，利用训练集数据，对所述PM2.5数据的预测模型进行训练；/n步骤3，将测试集数据输入训练完毕的PM2.5数据的预测模型中，计算获得PM2.5的预测值；/n所述预测模型包括Bi-GRU层、第一全连接层、第二全连接层和第三全连接层，各层之间依次顺序连接，前一层的输出为后一层的输入，所述Bi-GRU层由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述Bi-GRU层输出两个合并的GRU信号，所述的第一全连接层的输出层为100，所述的第二全连接层的输出层...

【技术特征摘要】
1.一种基于Bi-GRU的PM2.5数据处理与预测方法，其特征在于，包括以下步骤：
步骤1，构建PM2.5数据的预测模型；
步骤2，利用训练集数据，对所述PM2.5数据的预测模型进行训练；
步骤3，将测试集数据输入训练完毕的PM2.5数据的预测模型中，计算获得PM2.5的预测值；
所述预测模型包括Bi-GRU层、第一全连接层、第二全连接层和第三全连接层，各层之间依次顺序连接，前一层的输出为后一层的输入，所述Bi-GRU层由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述Bi-GRU层输出两个合并的GRU信号，所述的第一全连接层的输出层为100，所述的第二全连接层的输出层为10，所述的第三全连接层的输出层为1；
所述训练集数据包括影响因素数据和已知的PM2.5观测数据；
所述的测试集数据为待预测的PM2.5数据的影响因数数据。


2.根据权利要求1所述的PM2.5数据处理与预测方法，其特征在于，所述影响因素数据包括predictionHours前历史PM2.5数据、光照强度、露点温度、空气湿度、气压、温度、风速、每小时降雨量、8小时历史总降雨量、时间、季节、风向共20栏数据；所述时间分为白天和黑夜2栏；所述的季节分为春季、夏季、秋季、冬季4栏，风向分为东风、南风、西风、北风、无风5栏；其中，predictionHours是一个预设参...

【专利技术属性】
技术研发人员：马武彬，鲁赢，吴继冰，邓苏，黄宏斌，吴亚辉，刘丽华，李璇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43