结合自适应权重的MPC-LSTM空气质量预测方法技术

本发明专利技术提供了结合自适应权重的MPC

【技术实现步骤摘要】
结合自适应权重的MPC
‑
LSTM空气质量预测方法


[0001]本专利技术属于空气质量预测
，尤其涉及结合自适应权重的MPC
‑
LSTM空气质量预测方法。

技术介绍

[0002]在空气质量预测问题中，由于空气质量数据存在多元、多尺度的数据特征，且空气质量数据观测时间长，长期的预测需要考虑趋势信息；
[0003]目前在空气质量预测应用中，多数学者使用单一的预测模型进行预测，但是单一的预测模型往往存在自身的缺点，比如现有的RNN网络模型存在梯度消失和梯度爆炸的问题，LSTM网络存在模型复杂和训练时间长的问题，因此，亟需针对基于单一方法对空气质量预测时空气质量预测精度不佳的问题进行研究和改进，提出了一种新的组合网络模型预测方法。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了结合自适应权重的MPC
‑
LSTM空气质量预测方法，此方法结合了多尺度并行卷积融合网络、长短记忆神经网络和注意力机制，针对LSTM网络不能提取非连续数据特征的缺点，利用多尺度并行卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，包括：构建空气质量样本的数据集，并对所述数据集进行预处理；构建MPC
‑
LSTM空气质量预测模型；基于预处理后的所述数据集，对所述MPC
‑
LSTM空气质量预测模型进行训练；基于训练后的所述MPC
‑
LSTM空气质量预测模型，对空气质量进行预测。2.根据权利要求1所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述数据集进行预处理包括：对所述数据集进行异常数据处理；将异常数据处理后的所述数据集进行归一化；对归一化后的所述数据集进行数据重构。3.根据权利要求2所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，所述异常数据处理包括：对所述数据集中的缺失数据进行填充，剔除掉异常数据和重复数据。4.根据权利要求2所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，所述归一化为：所述归一化为：其中，为对应气象特征归一化后的数据，和分别为气象特征的最大值与最小值，y
nor
为空气质量指数归一化后的数据，y为原始空气质量指数，y
max
和y
min
分别为空气质量指数的最大值与最小值。5.根据权利要求1所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述MPC
‑
LSTM空气质量预测模型进行训练包括：将所述数据集划分为训练集和测试集；将所述训练集输入所述MPC
‑
LSTM空气质量预测模型，对预测模型进行训练，并在每次训练结束后，利用预测模型对所述测试集进行预测，采用反向传播算法进行预测模型训练；基于损失函数最小为训练目标，采用Adam优化器对所述MPC
‑
LSTM空气质量预测模型中各层系数进行优化。6.根据权利要求5所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述MPC
‑
...

【专利技术属性】
技术研发人员：张凌涛，米全，严浩然，谢宇，陆民，王佳琪，冯艳艳，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：