本发明专利技术实施例提供了一种空气质量预测与预测模型训练方法、装置及存储介质，涉及空气质量预测领域，其中，上述空气质量预测模型训练方法，包括：获取目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征；构建空气质量预测模型；依据所述历史参数值与所述第一历史特征对所述空气质量预测模型进行训练。本发明专利技术实施例提供的空气质量预测模型训练方法能够有效降低训练难度，同时还能够减少计算资源消耗，降低训练成本。降低训练成本。降低训练成本。
【技术实现步骤摘要】
空气质量预测与预测模型训练方法、装置及存储介质
[0001]本专利技术涉及空气质量预测领域，尤其涉及一种空气质量预测与预测模型训练方法、装置及存储介质。
技术介绍
[0002]空气质量(Air quality)的好坏反映了空气污染程度，它是依据空气中污染物浓度的高低来判断的。空气污染是一个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响，进而给空气质量的预测带来一定的难度。
[0003]伴随计算机技术的发展，机器学习逐渐被应用到空气质量的预测中，以提高在多种因素影响下对空气质量预测的准确性。但是现有技术中，通常采用的是反向传播(Back Propagation，BP)这类神经网络来进行机器学习，其存在的缺陷在于：由于空气质量相关的样本数量较多，机器学习时会出现调参复杂，收敛速度慢的现象，进而造成计算资源消耗较多，训练成本较高。
技术实现思路
[0004]本专利技术实施例提供一种空气质量预测与预测模型训练方法、装置及存储介质，以解决现有空气质量预测模型在训练时计算资源消耗较多，训练成本较高的问题。
[0005]为了解决上述技术问题，本专利技术是这样实现的：
[0006]本专利技术实施例提供了一种空气质量预测模型训练方法，包括：
[0007]获取目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征；
[0008]构建空气质量预测模型，其中，所述空气质量预测模型包括深度置信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一历史特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一历史特征；
[0009]依据所述历史参数值与所述第一历史特征对所述空气质量预测模型进行训练。
[0010]本专利技术实施例还提供了一种空气质量预测方法，包括：
[0011]获取与目标空气质量参数关联的第一特征；
[0012]将所述第一特征输入至预先训练的空气质量预测模型，得到所述目标空气质量参数的预测值，其中，所述空气质量预测模型包括深度置信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一特征。
[0013]本专利技术实施例还提供了一种空气质量预测模型训练装置，包括：
[0014]第一获取模块，用于获取目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征；
[0015]构建模块，用于构建空气质量预测模型，其中，所述空气质量预测模型包括深度置
信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一历史特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一历史特征；
[0016]训练模块，用于依据所述历史参数值与所述第一历史特征对所述空气质量预测模型进行训练。
[0017]本专利技术实施例还提供了一种空气质量预测装置，包括：
[0018]第二获取模块，用于获取与目标空气质量参数关联的第一特征；
[0019]第三获取模块，用于将所述第一特征输入至预先训练的空气质量预测模型，得到所述目标空气质量参数的预测值，其中，所述空气质量预测模型包括深度置信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一特征。
[0020]本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述的空气质量预测模型训练方法的步骤，或者实现上述的空气质量预测方法的步骤。
[0021]本专利技术实施例提供的空气质量预测模型训练方法，构建了由DBN模型与XGBoost模型组成的空气质量预测模型，并依据历史参数值与第一历史特征对空气质量预测模型进行训练。一方面，DBN模型能够自动从第一历史特征提取特征，减少了对专家经验和数据特征提取技术的依赖，有效降低训练难度；另一方面，XGBoost模型具有计算速度快，能够处理大规模数据的优势，在训练过程中，能够有效避免出现调参复杂，收敛速度慢以及过拟合的现象，进而减少计算资源消耗，降低训练成本。
附图说明
[0022]图1为本专利技术实施例提供的空气质量预测模型训练方法的流程图；
[0023]图2为本专利技术实施例中对原始数据进行预处理的流程图；
[0024]图3为本专利技术实施例中对空气质量预测模型进行训练的流程图；
[0025]图4为本专利技术实施例中空气质量预测模型的结构示意图；
[0026]图5为本专利技术实施例提供的空气质量预测方法的流程图；
[0027]图6为本专利技术实施例中空气质量预测方法的原理图；
[0028]图7为利用本专利技术实施例中的空气质量预测方法，对丰台区PM2.5浓度进行预测的预测值与实际值对比图；
[0029]图8为利用本专利技术实施例中的空气质量预测方法，对海淀区PM2.5浓度进行预测的预测值与实际值对比图；
[0030]图9为利用BP神经网络，对丰台区PM2.5浓度进行预测的预测值与实际值对比图；
[0031]图10为利用BP神经网络，对海淀区PM2.5浓度进行预测的预测值与实际值对比图；
[0032]图11为利用支持向量机，对丰台区PM2.5浓度进行预测的预测值与实际值对比图；
[0033]图12为利用支持向量机，对海淀区PM2.5浓度进行预测的预测值与实际值对比图；
[0034]图13为本专利技术实施例提供的空气质量预测模型训练装置的结构示意图；
[0035]图14为本专利技术实施例中第一获取模块的结构示意图；
[0036]图15为本专利技术实施例中训练模块的结构示意图；
[0037]图16为本专利技术实施例提供的空气质量预测装置的结构示意图。
具体实施方式
[0038]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本专利技术的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本专利技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
[0039]如图1所示，本专利技术实施例提供的空气质量预测模型训练方法，包括：
[0040]步骤S100，获取目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征；
[0041]通常情况下，空气质量参数可以是二氧化硫(SO2)浓度、二氧化氮(NO2)浓度、本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种空气质量预测模型训练方法，其特征在于，包括：获取目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征；构建空气质量预测模型，其中，所述空气质量预测模型包括深度置信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一历史特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一历史特征；依据所述历史参数值与所述第一历史特征对所述空气质量预测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述获取目标空气质量参数的历史参数值，以及与所述历史参数值对应的第一历史特征，包括：获取原始数据，所述原始数据中包括目标空气质量参数；根据所述原始数据，确定所述目标空气质量参数的影响因素；对所述原始数据中所包括的所述目标空气质量参数的数据与所述影响因素的数据，进行异常值删除与缺失值填充的处理，得到处理后的数据；从所述处理后的数据中，获取所述目标空气质量参数的历史参数值，以及与所述目标空气质量参数关联的第一历史特征。3.根据权利要求1所述的方法，其特征在于，所述依据所述历史参数值与所述第一历史特征对所述空气质量预测模型进行训练，包括：将所述第一历史特征输入至所述空气质量预测模型中，得到目标空气质量参数的历史预测值；从所述历史参数值中获取与所述历史预测值对应的历史实际值；依据所述历史预测值与所述历史实际值，对所述空气质量预测模型的DBN模型进行训练，得到训练好的DBN模型；将所述第一历史特征输入至所述训练好的DBN模型中，得到第二历史特征；依据所述第一历史特征、所述第二历史特征以及所述历史实际值，对所述空气质量预测模型的XGBoost模型进行训练，得到训练好的XGBoost模型。4.一种空气质量预测方法，其特征在于，包括：获取与目标空气质量参数关联的第一特征；将所述第一特征输入至预先训练的空气质量预测模型，得到所述目标空气质量参数的预测值，其中，所述空气质量预测模型包括深度置信网络DBN模型和极端梯度提升XGBoost模型，所述DBN模型的输入端用于输入所述第一特征，所述DBN模型的输出端与所述XGBoost模型的第一输入端连接，所述XGBoost模型的第二输入端用于输入所述第一特征。5.根据权利要求4所述的方法，其特征在于，所述空气质量预测模型为基于所述目标空气质量参数的历史参数值以及与所述目标空气质量参数关联的第一历史特征训练得到的。6.一种空气质量预测模型训练装置，其特征在于，包括：第一获取模块，用于获取目标空气质量参数的历史参数值，以及...
【专利技术属性】
技术研发人员：陈惠妮，樊海燕，雷浩，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
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。