一种通过灰狼算法优化LSTM神经网络模型的方法与系统技术方案

本发明专利技术公开了一种通过灰狼算法优化LSTM神经网络模型的方法与系统，涉及LSTM神经网络模型领域，其通过将超参数映射为灰狼个体位置，以通过数据集训练灰狼个体位置对应的LSTM神经网络模型得到的结果值与实际空气质量值的差值为适应度目标函数值，并通过适应度目标函数值划分出α狼，同时为了避免传统灰狼算法中β狼和δ狼对灰狼个体位置的误导，只采用α狼对种群位置进行引导，并且采用莱维飞行策略引领α狼进行全局搜索，通过改进后的灰狼算法对灰狼的位置进行迭代更新；在满足迭代次数后通过α狼的个体位置即最优的超参数与数据集训练LSTM神经网络模型，以通过训练后的模型预测空气质量值，其极大的提高了网络的收敛速度与模型预测的准确性。与模型预测的准确性。与模型预测的准确性。

【技术实现步骤摘要】
一种通过灰狼算法优化LSTM神经网络模型的方法与系统


[0001]本专利技术涉及LSTM神经网络模型领域，尤其涉及一种通过灰狼算法优化 LSTM神经网络模型的方法与系统。

技术介绍

[0002]近些年以来，随着我国经济的不断发展和提高，城市化的进程不断加快，各地的城市也在不断扩张。随之而来的就是日益增长的能源消耗和环境污染的问题，所以为了应对未来可能出现的空气污染状况，对空气排污气体采取监控措施，随时掌握污染物的排放情况极为重要。
[0003]在空气质量预测技术发展的早期，主要通过统计学的理论与方法研究空气质量的变化规律，从而提出了以统计学为基础的空气质量预测技术；接着有的学者将多元线性和分类回归树结合，并应用到空气质量预测，也取得了一定的成果。近些年，随着机器学习的发展，大量学者提出以深度学习为基础的空气质量预测技术，运用最广泛的是构建神经网络的空气质量预测模型，将多通道数据输入网络训练，挖掘非线性数据的规律，提高预测精准度和泛化能力。
[0004]在空气质量预测领域现阶段最受欢迎的神经网络是长短时长记忆神经网络(LSTM),因为LSTM神经网络可以解决长时序列记忆丢失问题，并且LSTM神经网络比传统神经网络对精准间隔时间的空气质量预测精准度更高，另外 LSTM神经网络每个序列输出都可以对应一个时间点的空气质量预测结果；但同时也因为多个序列的存在，致使LSTM神经网络存在计算费时，收敛速度延迟，进而导致模型预测精度下降的问题。所以对LSTM网络拓扑结构优化尤为重要，目前对LSTM神经网络预测模型参数的选取研究大多采取网格搜索算法，控制变量精细调，本质都是暴力搜索最优参数，该计算方式耗时耗力，而且始终得不到最优解。

技术实现思路

[0005]本专利技术为了解决上述技术问题，提高LSTM神经网络模型的预测精度，提出了一种通过灰狼算法优化LSTM神经网络模型的方法，其通过改进的灰狼算法优化LSTM神经网络模型，以预测空气质量值，包括步骤：
[0006]S1：获取预设时段内预设区域中各时刻t下，各类污染气体的浓度值与空气质量值，并构建数据集；
[0007]S2：初始化灰狼算法的输入参数，包括初始化a、A、C参数，以及设定狼群中灰狼的个数、最大迭代次数、灰狼个体维度即LSTM神经网络模型的超参数、超参数的取值范围，并根据超参数取值范围随机初始化狼群位置，所述狼群位置中灰狼的个体位置即超参数；
[0008]S3：获取每个灰狼所在位置对应的适应度目标函数值，所述适应度目标函数值即通过数据集训练灰狼个体位置即超参数对应的LSTM神经网络模型得到的结果值与实际空气质量值的差值；
[0009]S4：初始化迭代次数,并开始进行迭代次数的计数；
[0010]S5：获取适应度目标函数值中的最小值，并以最小值对应灰狼个体位置的狼为α狼；
[0011]S6：通过莱维飞行指导α狼更新其个体位置；
[0012]S7：更新a、A、C参数的值，并根据α狼的个体位置更新狼群位置；
[0013]S8：迭代次数加1，并判断迭代次数是否大于等于最大迭代次数，若否，则返回步骤S5，若是，则输出α狼的所在位置，即超参数；
[0014]S9:通过数据集与步骤S8获取的超参数训练LSTM神经网络模型，并通过训练后的LSTM神经网络模型预测空气质量值。
[0015]进一步地，所述超参数具体为LSTM神经网络模型的隐藏层神经元数量和时间步长。
[0016]进一步地，所述数据集中包括若干条条目数据，所述条目数据中包括t 时刻对应的各类污染气体的浓度值与空气质量值，一个值对应一个项，所述步骤S1还包括对数据集进行预处理，具体包括：
[0017]S11:获取条目数据中数据缺失的项数，并判断项数是否大于等于预设超缺项数，若是，则删除该条目数据；若否，则获取缺失项对应t时刻上下预设时长内的数据均值，并通过均值填充该缺失项；
[0018]S12：对步骤S11处理后的数据集中各类污染气体的浓度值与空气质量值进行相关性分析，以获取相关性从大到小的排列顺序中，排列在前的预设个相关性对应的污染气体种类，并对该污染气体种类对应的浓度值进行平滑和归一化处理，以得到最终的数据集。
[0019]进一步地，所述步骤S6中通过莱维飞行指导α狼更新其个体位置，其公式表达式为：
[0020][0021][0022]式中分别表示u、v符合正态分布，其中，σ
v
＝1，式中，β为预设常数；
[0023]t表示时刻，a为灰狼个体位置的随机数，为点对点的乘法符号，Levy(β) 为随机搜索路径，X
worst
表示狼群位置中最差的灰狼个体位置，X
a
(t)为t时刻α狼的个体位置，X
a
(t)
′
表示通过莱维飞行指导后α狼的个体位置。
[0024]进一步地，所述步骤S7中根据α狼的个体位置更新狼群位置的公式表达式为：
[0025]D
a
＝|C1·
X
a
(t)
‑
X(t)|；
[0026]X(t+1)＝X
a
(t)
′‑
A
·
D
a
；
[0027]式中，A为控制收敛因子，C1为协同系数，X
a
(t)为t时刻α狼的个体位置，X(t)为t时
刻灰狼的个体位置，D
a
为α狼与其他灰狼之间的距离，X
a
(t)
′
表示通过莱维飞行指导后α狼的个体位置，X(t+1)为t+1时刻即更新后的灰狼个体位置。
[0028]本专利技术还提出了一种通过灰狼算法优化LSTM神经网络模型的系统，其通过改进的灰狼算法优化LSTM神经网络模型，以预测空气质量值，包括：
[0029]数据集构建模块，用于获取预设时段内预设区域中各时刻t下，各类污染气体的浓度值与空气质量值，并构建数据集；
[0030]初始化模块，用于初始化灰狼算法的输入参数，包括初始化a、A、C参数，以及设定狼群中灰狼的个数、最大迭代次数、灰狼个体维度即LSTM神经网络模型的超参数、超参数的取值范围，并根据超参数取值范围随机初始化狼群位置，所述狼群位置中灰狼的个体位置即超参数；
[0031]适应度目标函数模块，用于获取每个灰狼所在位置对应的适应度目标函数值，所述适应度目标函数值即通过数据集训练灰狼个体位置即超参数对应的 LSTM神经网络模型得到的结果值与实际空气质量值的差值；
[0032]迭代模块，用于初始化迭代次数,并开始进行迭代次数的计数；
[0033]头狼获取模块，用于获取适应度目标函数值中的最小值，并以最小值对应灰狼个体位置的狼为α狼；
[0034]莱维指导模块，用于通过莱维飞行指导α狼更新其个体位置；
[0035]更新模块，用于更新a、A、C参数的值，并根据α狼的个体位置更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，其通过改进的灰狼算法优化LSTM神经网络模型，以预测空气质量值，包括步骤：S1：获取预设时段内预设区域中各时刻t下，各类污染气体的浓度值与空气质量值，并构建数据集；S2：初始化灰狼算法的输入参数，包括初始化a、A、C参数，以及设定狼群中灰狼的个数、最大迭代次数、灰狼个体维度即LSTM神经网络模型的超参数、超参数的取值范围，并根据超参数取值范围随机初始化狼群位置，所述狼群位置中灰狼的个体位置即超参数；S3：获取每个灰狼所在位置对应的适应度目标函数值，所述适应度目标函数值即通过数据集训练灰狼个体位置即超参数对应的LSTM神经网络模型得到的结果值与实际空气质量值的差值；S4：初始化迭代次数,并开始进行迭代次数的计数；S5：获取适应度目标函数值中的最小值，并以最小值对应灰狼个体位置的狼为α狼；S6：通过莱维飞行指导α狼更新其个体位置；S7：更新a、A、C参数的值，并根据α狼的个体位置更新狼群位置；S8：迭代次数加1，并判断迭代次数是否大于等于最大迭代次数，若否，则返回步骤S5，若是，则输出α狼的所在位置，即超参数；S9:通过数据集与步骤S8获取的超参数训练LSTM神经网络模型，并通过训练后的LSTM神经网络模型预测空气质量值。2.根据权利要求1所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述超参数具体为LSTM神经网络模型的隐藏层神经元数量和时间步长。3.根据权利要求1所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述数据集中包括若干条条目数据，所述条目数据中包括t时刻对应的各类污染气体的浓度值与空气质量值，一个值对应一个项，所述步骤S1还包括对数据集进行预处理，具体包括：S11:获取条目数据中数据缺失的项数，并判断项数是否大于等于预设超缺项数，若是，则删除该条目数据；若否，则获取缺失项对应t时刻上下预设时长内的数据均值，并通过均值填充该缺失项；S12：对步骤S11处理后的数据集中各类污染气体的浓度值与空气质量值进行相关性分析，以获取相关性从大到小的排列顺序中，排列在前的预设个相关性对应的污染气体种类，并对该污染气体种类对应的浓度值进行平滑和归一化处理，以得到最终的数据集。4.根据权利要求2所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述步骤S6中通过莱维飞行指导α狼更新其个体位置，其公式表达式为：于，所述步骤S6中通过莱维飞行指导α狼更新其个体位置，其公式表达式为：式中分别表示u、v符合正态分布，其中，σ
v
＝1，
式中，β为预设常数；t表示时刻，a为灰狼个体位置的随机数，为点对点的乘法符号，Levy(β)为随机搜索路径，X
worst
表示狼群位置中最差的灰狼个体位置，X
a
(t)为t时刻α狼的个体位置，X
a
(t)
′
表示通过莱维飞行指导后α狼的个体位置。5.根据权利要求4所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述步骤S7中根据α狼的个体位置更新狼群位置的公式表达式为：D

【专利技术属性】
技术研发人员：都时禹，吴宏卓，胡宇，林燕茹，张欣，张一鸣，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：