基于SSA-DE-ANFIS模型的短期AQI预测方法技术

本发明专利技术提出了一种基于SSA

【技术实现步骤摘要】
基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法


[0001]本专利技术涉及环境
，特别是涉及一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI 预测方法。

技术介绍

[0002]空气质量指数(Air quality index，AQI)是用来描述空气质量的无量纲指数，描述了空气清洁或者污染的程度以及对人们健康的影响。工厂排放的废气、汽车排放的尾气、建筑施工产生的扬尘等是造成空气污染的主要原因，此前研究表明，空气污染会显著增加心血管疾病、呼吸系统疾病的风险，并且长期暴露于空气污染可能会增加5岁以下儿童的死亡率。在WHO公布全球疾病负担报告中，据估计因空气污染造成过早死亡的每年大约有 800万人。因此，建立准确有效的AQI预测模型，对于指导减少空气污染和帮助社会可持续发展具有至关重要的作用。
[0003]近些年来，空气质量受到社会各界的广泛关注，国内外许多学者对AQI进行了预测研究。这些预测方法可以大致分为三类：统计模型，机器学习模型和组合模型。常用的统计模型有ARIMA模型，多元线性回归模型(Multiple linear regression，MLR)。例如王建书等建立ARIMA模型对苏州市的每日空气质量进行预测。付倩娆根据各种污染物浓度以及气象因素建立MLR模型对北京的未来一天、三天及一周的PM2.5 含量进行预测。然而统计预测不适合长期预测，有自身的局限性，因为它不能很好的捕捉非线性特征。根据已有的文献，机器学习的方法所得的预测结果比大多数传统统计模型更接近真实值，而且一般与启发式优化算法相结合确定其结构。例如高帅等利用飞蛾扑火优化算法优化支持向量机的参数，对太原市和大同市的AQI进行预测；张楠等使用改进灰狼优化算法优化支持向量回归(Support vector regression， SVR)的参数，对太原市的AQI进行预测；吴慧静和赫晓慧使用遗传算法对BP神经网络的权值和阈值进行优化，对许昌市的AQI进行预测。然而单一的机器学习模型精度不够，不能满足人们的需求。混合模型是将多种方法进行组合，达到提高预测精度的目的，常见的组合方式可以归纳为两种，第一种是将两种或以上的预测模型通过赋予权重将其组合，另外一种是分解集成的方法。例如甘露情和刘媛华将BP神经网络模型和SVR模型进行组合，得到了比单个模型更好的预测效果；吴曼曼等使用互补经验模态分解的方法对AQI序列进行分解，然后分别建立Elman神经网络模型，与竞争模型相比该模型的误差更小。虽然目前已有学者使用数据分解的方法对空气质量进行预测，但是大部分的研究都没有考虑噪声的影响，或者直接抛弃噪声序列只对分解后的高频子序列进行二次分解，这种方式降低了预测的精度。
[0004]自适应神经模糊推理系统(Adaptive Neuro
‑
Fuzzy Inference System，ANFIS)是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，既发挥了二者的优点，又弥补了各自的不足，这使得ANFIS具有很强的学习能力。ANFIS已被应用于各个预测领域，例如预测酸锂电池寿命、风速预测、年径流预测等。但在预测空气质量方面，使用ANFIS模型对AQI进行预测的研究还是较少，且现有技术对于 ANFIS的训练方式大多使用模糊C均
值的方法生产模糊规则数量，基于梯度下降的方式更新ANFIS的参数，这导致前件参数必须经历所有层，参数训练时会产生复杂性增加和计算量大的问题。此外使用的链式法则容易导致局部收敛，从而对预测精度产生影响。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法。
[0006]为了实现本专利技术的上述目的，本专利技术提供了一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法，包括以下步骤：
[0007]S1，使用奇异谱分析SSA将原始AQI序列分解为趋势分量和噪声分量；
[0008]其中奇异谱分析(Singular spectrum analysis，SSA)是一种典型的时间序列处理方法，可以从原始序列中提取出趋势、周期、噪声等信息。此外，SSA在分离噪声方面优于一般的小波分析和经验模态分解分析方法。因此，使用SSA对原始AQI序列进行去噪，以获得更加平稳的AQI序列。
[0009]S2，将趋势序列和噪声序列均划分为训练集和测试集，然后根据趋势序列训练集的最大值和最小值得到趋势序列的变化范围，根据噪声序列训练集的最大值和最小值得到噪声序列的变化范围；
[0010]S3，将训练集中的趋势序列和噪声序列均转化成连续的论域U，然后对每个特征选择两个高斯隶属度函数进行模糊化得到高模糊集和低模糊集，再在寻优范围中得到高模糊集和低模糊集对应的中心和宽度；
[0011]S4，初始化差分进化算法DE的参数，并根据所述寻优范围对ANFIS模型的前件参数进行初始化，在[
‑
5，5]范围内对ANFIS模型的后件参数进行初始化，并且不对规则后件参数的寻优范围进行约束以确保全局搜索能力；
[0012]S5，将趋势序列训练集和噪声序列训练集分别输入ANFIS模型，得到趋势序列训练集和噪声序列训练集的预测结果，然后以均方根误差RMSE为目标函数，在趋势序列训练集和噪声序列训练集上使用差分进化算法DE对所述ANFIS模型的参数进行优化，得到最终趋势序列的ANFIS模型和噪声序列的ANFIS模型；
[0013]S6，采用所述最终趋势序列的ANFIS模型和噪声序列的ANFIS模型进行预测，得到趋势序列的预测值和噪声序列的预测值，然后将两个预测值相加得到预测的AQI 值。
[0014]将原始AQI分解为趋势序列和噪声序列。趋势序列保留了原始AQI的大部分信息，即降低了AQI序列的复杂性，变得更加平稳，从而适合预测，提供预测精度。虽然噪声序列复杂性较高，但是它也保留了AQI的序列的一部分信息，加入噪声的预测在一定程度上可以提高预测精度，实验结果也证明了这一点。
[0015]进一步地，所述S1包括：
[0016]将原始AQI序列分解为一定数量的子序列，计算每个子序列的贡献率，按照贡献率大小重组为趋势序列和噪声序列：
[0017][0018][0019][0020]其中X(n)表示原始序列；
[0021]Subseries
i
(n)表示第i个子序列；
[0022]Trend
‑
series(n)表示趋势序列；
[0023]Noise
‑
series(n)表示噪声序列；
[0024]n表示原始序列和子序列的序列长度，均为n；
[0025]L为子序列的总个数；
[0026]p为重构为趋势序列的前p个子序列。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法，其特征在于，包括以下步骤：S1，使用奇异谱分析SSA将原始AQI序列分解为趋势分量和噪声分量；S2，将趋势序列和噪声序列均划分为训练集和测试集，然后根据趋势序列训练集的最大值和最小值得到趋势序列的变化范围，根据噪声序列训练集的最大值和最小值得到噪声序列的变化范围；S3，将训练集中的趋势序列和噪声序列均转化成连续的论域U，然后对每个特征选择两个高斯隶属度函数进行模糊化得到高模糊集和低模糊集，再在寻优范围中得到高模糊集和低模糊集对应的中心和宽度；S4，初始化差分进化算法DE的参数，并根据所述寻优范围对ANFIS模型的前件参数进行初始化，在[
‑
5，5]范围内对ANFIS模型的后件参数进行初始化，并且不对规则后件参数的寻优范围进行约束；S5，将趋势序列训练集和噪声序列训练集分别输入ANFIS模型，得到趋势序列训练集和噪声序列训练集的预测结果，然后以均方根误差RMSE为目标函数，在趋势序列训练集和噪声序列训练集上使用差分进化算法DE对所述ANFIS模型的参数进行优化，得到最终趋势序列的ANFIS模型和噪声序列的ANFIS模型；S6，采用所述最终趋势序列的ANFIS模型和噪声序列的ANFIS模型进行预测，得到趋势序列的预测值和噪声序列的预测值，然后将两个预测值相加得到预测的AQI值。2.根据权利要求1所述的一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法，其特征在于，所述S1包括：将原始AQI序列分解为一定数量的子序列，计算每个子序列的贡献率，按照贡献率大小重组为趋势序列和噪声序列：重组为趋势序列和噪声序列：重组为趋势序列和噪声序列：其中X(n)表示原始序列；Subseries
i
(n)表示第i个子序列；Trend
‑
series(n)表示趋势序列；Noise
‑
series(n)表示噪声序列；n表示原始序列和子序列的序列长度，均为n；L为子序列的总个数；p为重构为趋势序列的前p个子序列。3.根据权利要求1所述的一种基于SSA
‑
DE
‑
ANFIS模型的短期AQI预测方法，...

【专利技术属性】
技术研发人员：车金星，何明俊，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：