一种用于实时污染数据预测的训练模型制造技术

发明专利技术涉及一种用于实时污染数据预测的训练模型，其以LSTM作为基础模型，通过MAML加快LSTM收敛速度，减少LSTM模型数据集方面的限制。本发明专利技术达到的有益效果是：突破污染因子数据集数据量不够的限制，同时能够实现单一因子预测目标与多目标预测的平衡；该模型能够实现在保持预测准确度不降低的情况下，加速预测模型训练的作用；模型体量轻，在小样本数据集训练上的训练结果泛化性强。练上的训练结果泛化性强。练上的训练结果泛化性强。

【技术实现步骤摘要】
一种用于实时污染数据预测的训练模型


[0001]本专利技术涉及污染数据预测
，特别是一种用于实时污染数据预测的训练模型。

技术介绍

[0002]工业发展带来的大气污染排放量增加一直一来备受关注，治污降霾作为生态保护长期目标，实现从人工管理到数字管理不断发展，实现实时污染数据预测。
[0003]传统的污染数据实时预测的模型，是建立在特征互相独立的海量数据基础之上的。然而在实际生活中，污染因子时序数据的特征并非完全独立，由于我国数字化污染物检测起步较晚，导致的可获取有效环保数据十分有限。如何基于有限的环保数据，实现较高精度的预测，一直是一个难题。
[0004]本公司，提出基于LSTM的MAML深度学习训练模型结构，该模型体量轻，在小样本数据集训练上的训练结构泛化性强。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供一种用于实时污染数据预测的训练模型，解决了需要大样本才能精确预测的问题。
[0006]需要说明的是，污染因子的预测属于时序数据预测，时序数据预测的长短期记忆网络(Lon本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于实时污染数据预测的训练模型，其特征在于：包括以下步骤：S1、创建用于完成多因子污染物排放预测的主模型meta
‑
model，初始化主模型meta
‑
model中kernel参数；主模型中，可训练参数记作θ；S2、数据分组在数据预处理过程中，需要预先对数据进行清洗，即检测并擦除异常数据；采用拉格朗日多项式插值法补全数据；将补全后的数据分按比例分为训练组、测试组，又将训练组中数据按比例分为support data、query data，分别记作D
s
，D
q
；S3、考虑因子间的关联关系，同时处理多维因子；现对多维污染因子进行处理：S31、先获取数据：将训练组的support data与query data等比划分成n份；将第l个任务中(l＝1
……
n，n表示有n个任务)进行预测所需的数据，分别记作D
sl
，D
ql
；S32、a、向主模型meta
‑
model中输入数据D
sl
，输入模型，前向传递，计算得到预测值再取出步骤S2中实际测得的样本真实值；b、计算预测值与样本真实值的均方误差(MeanSquaredError)，公式如下：其中，k表示污染因子维数，为任务l中污染因子第i维的真实值，为任务l中模型预测的第i维值；样本真实值为实际测得的值；c、为提高模型泛化能力，对模型权重参数采用L2正则化处理，L2正则误差公式如下：其中，其中λ为衰减系数，w
i
为模型中的第i个权重参数；误差总公式合并为：将该公式计算得出的误差记作d、根据D
sl
输入主模型meta
‑
model得出的推理结果与样本真实值之间的误差，以链式法则反向传递，计算梯度则反向传递，计算梯度其中，y
l
代表任务l的污染因子真实值；e、根据先前的可训练参数θ、计算出的梯度以及学习率α，手动计算出优化后的模型参数θ'，
其中，学习率α为经验值，即α的数值是根据经验来确定的；S4、建立子模型sub
‑
model，结构与meta
‑
model一致，用于处理任务中的另一部分输入数据：D
ql
，子模型sub
‑
model的参数以手动优化后的meta
‑
model模型参数作为其初始化参数；由于S3是针对第l个任务中的D
sl
数据进行的处理，故在S3基础上进一步处理；S41、构建任务l中的D
ql
输入数据所对应的子模型sub
‑
model；该子模型sub
‑
model以θ'作为参数，其余与主模型meta
‑
model相同(主模型meta
‑
model采用θ作为初始化参数)；S42、a、向子模型sub
‑
model输入任...

【专利技术属性】
技术研发人员：黄欣逸，张伟，揭小丽，刘卫杰，付瑶，曾旭明，
申请(专利权)人：成都之维安科技股份有限公司，
类型：发明
国别省市：