一种基于多任务学习的大气污染物浓度预测方法技术

本发明专利技术公开了一种基于多任务学习的大气污染物浓度预测方法，实现该方法的步骤如下：设置滑动窗的参数；设置多任务学习的DBN‑DNN预测模型架构；选择与各预测任务相关的特征，利用深度信念网络同时提取多个学习任务的抽象特征表示，共享这些表示去预测各任务响应变量的数值；在预测的过程中利用滑动窗口获取实时监测到的最近数据动态并调整模型参数。本方法使用多任务学习可以获得更好的预测性能，将相关任务训练数据中的信息斤行共享是有必要的。通过对多个相关任务同时进行学习从而获得预测结果，比起分别对每个任务单独训练模型，做出预测更为简便而且预测精度更高。在三种污染物浓度突变以及浓度高峰时，本方法的优势更为明显。

【技术实现步骤摘要】
一种基于多任务学习的大气污染物浓度预测方法
本专利技术涉及空气质量预测
尤其涉及一种在线预测大气污染物浓度的方法。
技术介绍
现在的空气质量预测研究大都是关注一种大气污染物，对其进行单任务预测，即人们研究最多的是对PM2.5浓度的预测。然而，所预测的某几种污染物之间可能具有一定相关性，使得对这些污染物浓度的预测任务之间具有一定关联。对于PM2.5，SO2和NO2这三种污染物的浓度预测可以视为相关任务。根据这三种污染物浓度的历史监测数据，这三种污染物在一段时间内几乎有着相同的浓度走势，可以作为它们之间存在相关性的例证。使用现在的基于单任务学习训练的神经网络架构的空气质量预测方法，因为只关注一种污染物的数据，容易造成预测精度存偏差等问题。
技术实现思路
本专利技术实例提出了一种基于深度信念网络的多任务学习的深度神经网络模型用于在线预测大气污染物浓度，能够有效提高此场景下空气质量预测的可靠性以及准确性。为了实现上述目的，本专利技术采用的技术方案为一种基于多任务学习的大气污染物浓度预测方法，实现该方法的步骤如本文档来自技高网...

【技术保护点】
1.一种基于多任务学习的大气污染物浓度预测方法，其特征在于：实现该方法的步骤如下：/n步骤1、设置滑动窗的参数；/n步骤2、设置多任务学习的DBN-DNN预测模型架构；/nDBN-DNN架构的具体建立过程为：/n步骤2.1用高斯伯努利RBM作为DBN的第一层；/n步骤2.2训练一个高斯-贝努利RBM，将隐单元的激活概率作为下一层贝努利-贝努利RBM的输入数据；/n步骤2.3第二层贝努利-贝努利RBM的激活概率作为第三层贝努利-贝努利RBM的可见输入数据，以此类推；/n步骤2.4DBN模型最后一层与含有多个神经元的sigmoid输出层之间的节点连接采用局部连接；/n步骤2.5DBN的输出层有三个...

【技术特征摘要】
1.一种基于多任务学习的大气污染物浓度预测方法，其特征在于：实现该方法的步骤如下：
步骤1、设置滑动窗的参数；
步骤2、设置多任务学习的DBN-DNN预测模型架构；
DBN-DNN架构的具体建立过程为：
步骤2.1用高斯伯努利RBM作为DBN的第一层；
步骤2.2训练一个高斯-贝努利RBM，将隐单元的激活概率作为下一层贝努利-贝努利RBM的输入数据；
步骤2.3第二层贝努利-贝努利RBM的激活概率作为第三层贝努利-贝努利RBM的可见输入数据，以此类推；
步骤2.4DBN模型最后一层与含有多个神经元的sigmoid输出层之间的节点连接采用局部连接；
步骤2.5DBN的输出层有三个神经元，同时输出对于目标时刻三种污染物的预测浓度值；
步骤3、选择与各预测任务相关的特征；使用多任务学习的DBN-DNN预测模型，即利用深度信念网络同时提取多个学习任务的抽象特征表示，共享这些表示去预测各任务响应变量的数值；
步骤4、在预测的过程中利用滑动窗口获取实时监测到的最近数据动态并调整模型参数；
参数调整的过程为：
步骤4.1深度信念网络在预训练阶段学到的权值作为深度神经网络的初始权值，再使用反向传播算法微调这些权值；
步骤4.2通过权...

【专利技术属性】
技术研发人员：许奇瑞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11