一种城市夜天空亮度预测分析方法及系统技术方案

本发明专利技术涉及预测算法领域，公开了一种城市夜天空亮度预测分析方法，所述分析方法包括：创建BP神经网络模型，确定所述BP神经网络模型的模型结构；对所述BP神经网络模型进行训练，得到训练后BP神经网络模型；根据输入的夜天空亮度参数，采用所述训练后BP神经网络模型，对夜天空亮度进行预测。基于BP神经网络的夜天空亮度分布预测模型的建立，可以对夜天空亮度做到准确的预测，对城市亮化工程设计规划、夜天空亮度的预测与光污染控制具有十分积极的指导意义。导意义。导意义。

【技术实现步骤摘要】
一种城市夜天空亮度预测分析方法及系统


[0001]本专利技术涉及预测算法领域，尤其涉及一种城市夜天空亮度预测分析方法及系统。

技术介绍

[0002]天空发亮是城市光污染的主要表现形式之一，城市中许多低品质的室外照明所产生的上射光、溢散光、反射光等都能够增加城市的夜空亮度，减弱了人们对星星和银河的观察能力，很多城市居民不能够在夜空里看到月亮或星星，严重损害了天文爱好者及普通市民对城市星空的遥望和观察。研究人员通过对全球居民区和工业区光污染卫星资料研究后发现，世界上1/5的人，包括2/3的美国人以及一半以上的欧洲人已经对银河视而不见。尽管人类已经作了相当大的努力控制光污染，但夜空亮度仍以每年3％的速度在增长，23年后夜空亮度将还会增加一倍。
[0003]减弱天空发亮需要通过局部完善与整体规划相结合的方法，才能得到有效的控制。因此只有在适当的地方和时间科学合理的进行照明，才能有效的防止光污染，节约能源和保护夜晚天空，并使每个人都受益于高品质的城市光环境。夜天空亮度分布预测模型的研究可为光污染防治、合理规划照明等提供决策依据，而目前世界各国关于夜天空亮度分布模型的研究还比较有限，主要是由于被研究对象极其复杂，其复杂性表现为输入/输出呈现高度的非线性、时变性等复杂的信息结构等，尤其是监测技术和计算理论尚不完善，这些复杂性都难以用精确的数学模型(如微分方程或差分方程)来描述，还有许多方面需要进一步研究。

技术实现思路

[0004]本专利技术的主要目的在于解决现有技术中的问题。本专利技术提供了一种城市夜天空亮度预测分析方法：
[0005]一种城市夜天空亮度预测分析方法，其特征在于，所述分析方法包括以下步骤：
[0006]创建BP神经网络模型，确定所述BP神经网络模型的模型结构；
[0007]对所述BP神经网络模型进行训练，得到训练后BP神经网络模型；
[0008]根据输入的夜天空亮度参数，采用所述训练后BP神经网络模型，对夜天空亮度进行预测。
[0009]所述模型结构包括输入层与输出层神经元个数、隐藏层数量、隐藏层神经元的个数，通过以下公式确定：
[0010][0011]式中p为学习图形数，q为隐含层神经元个数，n为输入层神经元个数,如i>q，C＝0；
[0012][0013]其中m为输出神经元数，n为输入神经元数，a为1至10之间的常数；
[0014]q＝log2n
[0015]n为输入神经元数；
[0016]q＝n/10
[0017]n为输入神经元数。
[0018]所述对所述BP神经网络模型进行训练，得到训练后BP神经网络模型，包括：
[0019]采用train函数对所述BP神经网络模型进行训练，得到待仿真BP神经网络模型；
[0020]利用sim函数对待仿真BP神经网络模型进行仿真，得到仿真后BP神经网络模型；
[0021]利用postreg函数对仿真后BP神经网络模型的仿真输出和目标输出作线性回归分析，以sim函数检验神经网络的训练效果，得到训练后BP神经网络模型。
[0022]所述train函数的格式如下：
[0023][net,tr]＝train(net，P，T)
[0024]其中，P为输入样本矢量集；T为对应的目标样本矢量集；等号右、左两侧的net分别用于表示训练前、训练后的神经网络对象；tr存储训练过程中的步数信息和误差信息；
[0025]所述sim函数的格式如下：
[0026]A＝sim(net,P)
[0027]其中，A为网络输出矢量集；P为输入样本矢量集；net分别用于表示训练后的神经网络对象；
[0028]所述postreg函数的格式如下：
[0029]R＝postreg(A,P)
[0030]其中，A为网络输出矢量集；P为输入样本矢量集；相关系数记为R。当R为1时，输出矢量和目标矢量相关性最好。
[0031]所述夜天空亮度参数包括照明方式、天气情况、节假日、测量点的方位角、高度角、时间。
[0032]所述分析方法还包括输入数据归一化处理步骤，所述归一化处理的公式为：
[0033][0034][0035]其中：P为原始输入值；
[0036]max P为原始输入值中的最大值；
[0037]min P为原始输入值中的最小值；
[0038]P
n
为归一化后神经网络的输入值；
[0039]T表示原始目标值；
[0040]maxT表示原始目标值中的最大值；
[0041]minT表示原始目标值中的最小值；
[0042]T
n
表示归一化后神经网络的目标值。
[0043]所述分析方法还包括：
[0044]所述神经网络模型预测得到预测值后，需将所述预测值还原为实际值，还原公式为：
[0045]p＝P
n
*(maxP
‑
minP)+minP
[0046]T＝T
n
*(maxT
‑
minT)+minT
[0047]Y＝Y
n
*(maxT
‑
minT)+minT
[0048]其中：Y为预测值的还原值；n Y为神经网络的预测输出值。
[0049]所述BP神经网络模型的输入输出之间的关系式如下：
[0050][0051]以x1,x2,
……
x
n
表示前向反馈(BP)神经网络的输入，用y1,y2,
……
y
n
表示输出，并且假设q个输出神经元，用F(t)表示隐层神经元的激活函数，用W
2lk
表示输入层神经元与隐层神经元之间的连接权值，用θ1表示第1个隐层神经元的激活阀值，这里有m个n元函数，采用向量的记法，可记为y＝g(x,w)，其中y＝(y1,y2,
……
y
k
)，x＝(x1,x2,
……
x
N
)，w表示所有连接权值和激活阀值所组成的向量，采用如下建模策略：
[0052](1)取输出单元数m＝1，并记：y1＝测量区域的夜天空亮度值L(cd/m2)
[0053](2)取输入单元数n＝6，并记x1＝时刻t(0
‑
23h)，x2＝测量点的方位角α(
°
)，x3＝测量点的高度角θ(
°
)，x4＝天气状况W，x5＝节假日情况F，x6＝主要照明方式Z；
[0054](3)取隐藏单元数q＝16，通过选用16个神经元进行学习，使其快速收敛于要求值以下；
[0055](4)选取激活函数F(t)，隐含层神经元作用函数可选择西格蒙德Sigmoid函数，即：输出层神经元作用函数可选择purelin函数，即：
[0056]f(x)＝kx；
...

【技术保护点】

【技术特征摘要】
1.一种城市夜天空亮度预测分析方法，其特征在于，所述分析方法包括以下步骤：创建BP神经网络模型，确定所述BP神经网络模型的模型结构；对所述BP神经网络模型进行训练，得到训练后BP神经网络模型；根据输入的夜天空亮度参数，采用所述训练后BP神经网络模型，对夜天空亮度进行预测。2.根据权利要求1所述的一种城市夜天空亮度预测分析方法，其特征在于，所述模型结构包括输入层与输出层神经元个数、隐藏层数量、隐藏层神经元的个数，通过以下公式确定：式中p为学习图形数，q为隐含层神经元个数，n为输入层神经元个数,如i>q，C＝0；其中m为输出神经元数，n为输入神经元数，a为1至10之间的常数；q＝log2nn为输入神经元数；q＝n/10n为输入神经元数。3.根据权利要求1所述的一种城市夜天空亮度预测分析方法，其特征在于，所述对所述BP神经网络模型进行训练，得到训练后BP神经网络模型，包括：采用train函数对所述BP神经网络模型进行训练，得到待仿真BP神经网络模型；利用sim函数对待仿真BP神经网络模型进行仿真，得到仿真后BP神经网络模型；利用postreg函数对仿真后BP神经网络模型的仿真输出和目标输出作线性回归分析，以sim函数检验神经网络的训练效果，得到训练后BP神经网络模型。4.根据权利要求3所述的一种城市夜天空亮度预测分析方法，其特征在于，所述train函数的格式如下：[net，tr]＝train(net，P，T)其中，P为输入样本矢量集；T为对应的目标样本矢量集；等号右、左两侧的net分别用于表示训练前、训练后的神经网络对象；tr存储训练过程中的步数信息和误差信息；所述sim函数的格式如下：A＝sim(net，P)其中，A为网络输出矢量集；P为输入样本矢量集；net分别用于表示训练后的神经网络对象；所述postreg函数的格式如下：R＝postreg(A,P)其中，A为网络输出矢量集；P为输入样本矢量集；相关系数记为R。当R为1时，输出矢量和目标矢量相关性最好。5.根据权利要求1所述的一种城市夜天空亮度预测分析方法，其特征在于，所述夜天空亮度参数包括照明方式、天气情况、节假日、测量点的方位角、高度角、时间。
6.根据权利要求1所述的一种城市夜天空亮度预测分析方法，其特征在于，所述分析方法还包括输入数据归一化处理步骤，所述归一化处理的公式为：法还包括输入数据归一化处理步骤，所述归一化处理的公式为：其中：P为原始输入值；max P为原始输入值中的最大值；min P为原始输入值中的最小值；P
n
为归一化后神经网络的输入值；T表示原始目标值；maxT表示原始目标值中的最大值；minT表示原始目标值中的最小值；T
n
表示归一化后神经网络的目标值。7.根据权利要求1所述的一种城市夜天空亮度预测分析方法，其特征在于，所述分析方法还包括：所述神经网络模型预测得到预...

【专利技术属性】
技术研发人员：毛鹤群，杨梦婷，黄文平，
申请(专利权)人：中海环境科技上海股份有限公司，
类型：发明
国别省市：