【技术实现步骤摘要】
基于数据融合的短时空气质量预测方法及系统
[0001]本专利技术涉及人工智能
,特别涉及一种基于数据融合的短时空气质量预测方法及系统。
技术介绍
[0002]大气污染物因子有很多种,PM2.5是指大气中直径小于或等于2.5微米的颗粒物,富含大量的有毒、有害物质且在大气中的停留时间长、输送距离远,因而对人体健康和大气环境质量的影响更大,它对空气质量和能见度等有重要的影响,PM2.5也是天气阴霾的主要原因。
[0003]CN109670646B公开了一种基于混合门限神经网络的PM2.5浓度值预测方法,包括如下步骤:步骤1、原始数据采集,原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据;步骤2、通过更新门函数和重置门函数构建了模拟门限网络,对原始数据进行初步预测,得到了PM2.5模拟数据;步骤3、通过更新门函数、重置门函数和softmax函数构建了判别门限网络,对模拟数据的真实性进行了判别;步骤4、采用混合门限神经网络预测PM2.5浓度值。
[0004]CN114444561A公开了一种基于CNNs
‑
GRU融合深度学习模型的PM2.5预测方法,取某区域若干个监测站的空气质量相关数据,构成多站点多模态空气质量数据集;S2:对多站点多模态空气质量数据进行预处理,包括数值化编码、缺失值填充、异常值修正、周期性特征构造和数据集划分;S3:基于CNN和GRU,以多站点多模态空气质量数据为输入,构建适用于PM2.5预测的深度学习模型CNNs
‑
...
【技术保护点】
【技术特征摘要】
1.一种基于数据融合的短时空气质量预测方法,其特征在于,所述基于数据融合的短时空气质量预测方法包括,步骤S1,提取历史空气质量数据中的多个特征因子,并进行数据预处理,其中,特征因子至少包括PM2.5、PM10、SO2、CO、NO2、O3、大气温度、大气湿度、降雨和风速;提取污染物数据样本X为气象用数据样本X
*
为X
*
={x
temp
,x
hum
,x
rain
,x
wind
},采用小波去噪方法对污染物数据样本X进行处理,输出的第一数据集为X
W
;同时,采用变分模态分解法将污染物数据样本X分解为多模态分量集X
V
;步骤S2,采用第一数据集为X
W
、多模态分量集X
V
与气象数据集合X*进行融合生成融合数据集D,采用主成分分析方法对融合数据集D进行降维和特征提取,输出的第二数据集X
′
;步骤S3,将第二数据集X
′
作为输入,采用训练好的BiLSTM模型进行PM2.5浓度预测,并输出PM2.5的预测值。2.根据权利要求1所述的基于数据融合的短时空气质量预测方法,其特征在于,在步骤S1的中小波去噪方法中,将污染物数据样本X映射到小波域,其中,x
i
=a1+ε*e1x
i
为污染物数据样本X中第i项含噪信号,a1为有用信号,e1为噪声,ε为噪声系数的标准差。3.根据权利要求1所述的基于数据融合的短时空气质量预测方法,其特征在于,在步骤S1的中变分模态分解法中,将污染物数据样本X中非稳态信号分解得到一组固有频率的模态分量为,x
i
={IMF1,IMF2,...,IMF
m
}其中,x
i
为污染物数据样本X中第i项含噪信号,IMF
m
为第m个模态分量。4.根据权利要求1所述的基于数据融合的短时空气质量预测方法,其特征在于,第一数据集为X
W
、多模态分量集X
V
与气象数据集合X*进行融合生成融合数据集D为,{X
W
,X
V
,X
*
}={d1,d2,...,d
n
}其中,n为具体特征d总数量,在步骤S2中主成分分析方法中,X
′←
P
PCA
(X
W
,X
V
,X
*
)其中,P
PCA
表示主成分分析方法,X
′
为主成分分析方法处理后的输出数据集;第i个主成分pc
i
为其中,为融合数据集D中的元素经过标准化...
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。