基于离散小波和深度学习的空气污染浓度预测方法及系统技术方案

本发明专利技术公开了基于离散小波和深度学习的空气污染浓度预测方法及系统，应用于空气污染预测技术领域。包括以下步骤：S1、通过对原始输入数据进行缺失值处理，并对待预测的空气污染浓度序列进行离散小波变换，提取出空气污染的周期性信息，将得到的周期性信息进行张量堆叠和归一化处理；S2、通过使用卷积层进行特征提取，得到特征矩阵；S3、将特征矩阵输入到编码器中，编码器将特征矩阵编码成最终的细胞状态C

【技术实现步骤摘要】
基于离散小波和深度学习的空气污染浓度预测方法及系统


[0001]本专利技术涉及空气污染预测
，更具体的说是涉及基于离散小波和深度学习的空气污染浓度预测方法及系统。

技术介绍

[0002]随着工业化和城市化的快速推进，难免会有工业污染废气排放到大气中，导致这大气污染浓度大幅增加。吸入污染浓度超标的空气，会对呼吸道产生一定的刺激和损害，这将直接影响到居民的心肺功能，甚至致癌。对大气污染浓度的准确预测有助于提前发布不同程度的预警信息，人们可以根据预测的污染情况来制定自己的出行计划，有关部门也可以在得知污染即将超标的时候采取措施来缓解空气污染。
[0003]已经有许多学者针对空气污染预测进行研究，提出了各种不同的模型。如自回归模型、滑动平均模型、向量机模型和卷积神经网络(CNN)、循环神经网络(RNN)、长短记忆网络(LSTM)及其变体等。LSTM模型已证明是非常适合用于大气污染浓度深度学习网络，LSTM单元所有内部节点都能相互连接，可以对网络中的信息进行选择性的记忆或删除，能学习到离当前位置距离较远的信息，很多研究都基于LSTM进行创新提出新的预测模型，但是他们忽略了大气污染浓度具有周期性，污染浓度和季节、昼夜有一定关系，LSTM的记忆性难以分别保存四个季节的具体周期趋势。而且现如今大多数研究都聚焦于颗粒物(PM2.5或PM10)，使用天气因素和颗粒物的历史浓度来训练模型并进行预测，忽略了大气中的其他污染物，比如硫氧化物、氮氧化物、一氧化氮、臭氧(SO2、NO2、CO、O3)也是对人类生活危害很大的污染物，这六种污染物的浓度并非独立变化而是相互影响的，但很少有研究对这六种污染物进行同步多变量预测。
[0004]本申请提出了一种新的预测模型DW
‑
CAE，该模型集成了小波变换、卷积层和自编码器结构，使用小波变换提取出污染浓度序列的周期性特征，使用卷积网络提取出各个变量之间的联系和内在特征，用于后续自编码器的预测。使用DW
‑
CAE模型在北京PM2.5数据集和伊宁空气污染数据集上进行了PM2.5浓度预测，在伊宁空气污染数据集上进行了六种污染物浓度预测。在均方误差(MSE)、平均绝对误差(MAE)、R2系数等维度和八个现有模型进行比较，评估结果均优于其余模型。
[0005]因此，提出一种基于离散小波和深度学习的空气污染浓度预测方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于离散小波和深度学习的空气污染浓度预测方法及系统，用以解决现有技术中存在的问题。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]基于离散小波和深度学习的空气污染浓度预测方法，包括以下步骤：
[0009]S1、数据预处理：通过对原始输入数据进行缺失值处理，并对待预测的空气污染浓
度序列进行离散小波变换，提取出空气污染的周期性信息，将原始输入数据与离散小波变换得到的周期性信息进行张量堆叠和归一化处理；
[0010]S2、特征提取：将S1中进行张量堆叠和归一化处理后的数据通过使用卷积层进行特征提取，得到特征矩阵；
[0011]S3、自编码器：将S2中得到的特征矩阵输入到编码器中，编码器将特征矩阵编码成最终的细胞状态C
e
，并将特征矩阵中的有效信息提取和压缩后传递给解码器，解码器接收后对其内部特征进行重构，作为解码器LSTM的输出，h
d
经过全连接层的线性变化后为模型最终的预测值。
[0012]可选的，自编码器中的编码器和解码器均为LSTM结构。
[0013]可选的，S1中的数据预处理具体包括：异常和缺失数据处理、序列分解和序列整合。
[0014]可选的，异常和缺失数据处理具体为：对原始输入数据的异常值和缺失值进行预处理，经过筛查发现无不符合逻辑的数据，则不进行异常值处理，缺失值直接用前一个非缺失值进行填补。
[0015]可选的，序列分解具体为：经过缺失值的处理后，采用离散小波变换对a
v
进行分解，对空气污染浓度序列分解成不同尺度的低频分量A和高频分量D，离散小波变换的Mallat算法过程如下：
[0016][0017][0018]其中，m∈z，k∈z，h(m)表示低通滤波器,g(m)表示高通滤波器；A
j
表示第j次分解出来的低频分量，其中A0为输入的原始序列即a
v
，A
j+1
表示第j+1次分解出来的低频分量，D
j+1
表示第j+1次分解出来的高频分量；
[0019]在进行离散小波变换时，分解阶数为关键因素，分解阶数的计算过程如下：
[0020]K＝int[log(M)][0021]其中，K表示分解阶数，M表示数据条数，int表示向上取整，log表示对数函数。
[0022]可选的，序列整合具体为：对所有原始输入数据进行归一化处理，使其待预测的大气污染浓度序列的数据都映射在[0
‑
1]区间，max
‑
min归一化计算过程如下：
[0023]S
norm
＝(S
‑
S
min
)/(S
max
‑
S
min
)
[0024]其中，S表示张量堆叠后的数据集，S
max
表示数据集S的最大值矩阵，S
min
表示数据集S的最小值矩阵，S
norm
表示归一化后的数据集；
[0025]预测结束后进行max
‑
min反归一化，将预测出的空气污染浓度从[0
‑
1]区间再映射回原始的数据范围，计算模型精度，max
‑
min反归一化计算过程如下：
[0026]S
re
‑
norm
＝(S
pred
+S
min
)*(S
max
‑
S
min
)
[0027]其中，S
pred
表示模型的预测矩阵，S
re
‑
norm
表示映射到实际范围的浓度矩阵，S
max
表示数据集S的最大值矩阵，S
min
表示数据集S的最小值矩阵。
[0028]可选的，S3具体为：将LSTM的运算过程记为f
LSTM
，其公式如下：
[0029]C，h＝f
LSTM
(X
in
，C
init
)
[0030]其中，X
in
表示LSTM的输入张量，C
init
表示LSTM的初始细胞状态，C表示LSTM最后一个时间步的细胞状态，h表示LSTM最后一个时间步的隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，包括以下步骤：S1、数据预处理：通过对原始输入数据进行缺失值处理，并对待预测的空气污染浓度序列进行离散小波变换，提取出空气污染的周期性信息，将原始输入数据与离散小波变换得到的周期性信息进行张量堆叠和归一化处理；S2、特征提取：将S1中进行张量堆叠和归一化处理后的数据通过使用卷积层进行特征提取，得到特征矩阵；S3、自编码器：将S2中得到的特征矩阵输入到编码器中，编码器将特征矩阵编码成最终的细胞状态C
e
，并将特征矩阵中的有效信息提取和压缩后传递给解码器，解码器接收后对其内部特征进行重构，作为解码器LSTM的输出，h
d
经过全连接层的线性变化后为模型最终的预测值。2.根据权利要求1所述的基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，自编码器中的编码器和解码器均为LSTM结构。3.根据权利要求1所述的基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，S1中的数据预处理具体包括：异常和缺失数据处理、序列分解和序列整合。4.根据权利要求3所述的基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，异常和缺失数据处理具体为：对原始输入数据的异常值和缺失值进行预处理，经过筛查发现无不符合逻辑的数据，则不进行异常值处理，缺失值直接用前一个非缺失值进行填补。5.根据权利要求3所述的基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，序列分解具体为：经过缺失值的处理后，采用离散小波变换对a
v
进行分解，对空气污染浓度序列分解成不同尺度的低频分量A和高频分量D，离散小波变换的Mallat算法过程如下：下：其中，m∈z，k∈z，h(m)表示低通滤波器,g(m)表示高通滤波器；A
j
表示第j次分解出来的低频分量，其中A0为输入的原始序列即a
v
，A
j+1
表示第j+1次分解出来的低频分量，D
j+1
表示第j+1次分解出来的高频分量；在进行离散小波变换时，分解阶数为关键因素，分解阶数的计算过程如下：K＝int[log(M)]其中，K表示分解阶数，M表示数据条数，int表示向上取整，log表示对数函数。6.根据权利要求3所述的基于离散小波和深度学习的空气污染浓度预测方法，其特征在于，序列整合具体为：对所有原始输入数据进行归一化处理，使其待预测的大气污染浓度序列的数据都映射在[0
‑
1]区间，max
‑
min归一化计算过程如下：S
norm
＝(S
‑
S
min
)/(S
max
‑
S
min
)其中，S表示张量堆叠后的数据集，S
max
表示数据集S的最大值矩阵，S
min
表示数据集S的最小值矩阵，S
norm
表示归一化后的数据集；
预测结束后进行max
‑
min反归一化，将预测出的空气污染浓度从[0
‑
1]区间再映射回原始的数据范围，计算模型精度，max

【专利技术属性】
技术研发人员：铁治欣，舒莹，陶灵兵，林永兴，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：