【技术实现步骤摘要】
本专利技术涉及港口空气质量预测方法，具体涉及基于stl分解和vae-tcn网络模型的港口空气质量预测方法。
技术介绍
1、随着社会工业化与城市化的高速发展，近年来空气污染问题日益突显出来。港口是经济和贸易的重要枢纽，对经济发展至关重要，但由于大量货物运输和船舶活动，港口地区的空气质量常常受到污染物的影响。其中so2、no2、pm2.5等气体浓度直接影响到人们的健康问题，如何提前合理规划好节能、减碳、减排是热门性问题。通过对港口空气质量预测，可以提前获知潜在的污染峰值，从而采取相应的措施，降低空气污染对人类和环境的影响，以减少污染物排放并改善空气质量，从而提高港口的可持续发展和竞争力，促进可持续发展。
2、港口空气质量对于环境保护和生态管理中有着极为重要的影响。对港口空气质量格的预测也是国内外各行各业所关注的热点话题。随着人工智能机器学习的发展，许多专家也提出了多种港口空气质量预测方法。当前，机器学习的方法在港口空气质量预测方面已经取得了部分成果，但针对特定问题领域的面向时间序列空气质量预测研究方法研究还是比较少，因此基于深度学习及其分解集成扩展模型的研究还有待继续深入。
3、空气质量时间序列数据具有高度非线性和非平稳性等显著特征使得传统预测方法面临巨大挑战，单个预测模型往往无法获得较好的预测精度，大多数机器学习模型局限于仅仅使用历史空气质量数据趋势，从而忽略了气象数据、生产作业数据等其他对港口空气质量影响的因素，进而导致港口空气质量预测的准确率和鲁棒性不高；另外，很多机器学习模型在港口空气质量预测方面存在
技术实现思路
1、专利技术目的：本专利技术的目的是提升预测准确性和鲁棒性，同时简化模型复杂度，有效减少计算资源需求和部署难度，提升运算速度的基于stl分解和vae-tcn网络模型的港口空气质量预测方法。
2、技术方案：本专利技术所述的基于stl分解和vae-tcn网络模型的港口空气质量预测方法，包括：
3、(1)获取港口空气质量影响因素多维时间序列变量；
4、(2)对多维时间序列变量进行stl分解，得到趋势分量、季节分量和残差分量；
5、(3)利用vae模型对步骤(2)各分量进行降维处理，获取降维后的特征序列；
6、(4)将降维后的特征序列与历史港口空气质量数据序列进行重构，得到新的时序序列；
7、(5)构建用于港口空气质量预测的tcn模型，并采用非线性变换来拟合数据；
8、(6)采用重构后新的时序序列训练tcn模型，得到训练完成的预测模型tcn；
9、(7)采用训练完的模型进行港口空气质量格预测，评估预测结果。
10、进一步地，步骤(1)中，港口空气质量影响因素包括自然因素和人为因素，自然因素包括港口空气质量数据(pm10、pm2.5、aqi、so2和no2)、气象数据(温度、气压、湿度、风速)；人为因素包括生产作业数据(装船机的作业效率、堆料机的作业效率、取料机的作业效率)。
11、进一步地，步骤(2)包括：
12、(2.1)将趋势分量记为tυ，季节分量记为sυ，残差分量记为rυ,其中υ代表时间；
13、(2.2)stl分解由内循环和外循环构成，在内循环中做趋势分量和季节分量的计算，外层循环则调节鲁棒权重(robustness weight)；
14、(2.3)趋势化：采用υ时间原序列数据yυ减去上一轮中得到的趋势分量tυ(k)来获得一个去趋势后的新序列；
15、(2.4)周期子序列平滑化：将同一个周期内不同时间的数据汇集一起，把相同位置的样本点构成一个新的子序列，记时间序列周期为np，即有np个样本；用loess回归平滑处理周期子序列，对每个子序列进行局部加权回归，同时每个子序列向前向后各延展一个数值，将np个样本各回归后按时间序列排序，记为cυ(k+1)；
16、1，1+t，1+2t...是一个子序列，2，2+t,,2+2t...是一个子序列，记时间序列周期为np，则有np个时间序列，就是有np个样本，将np个样本各回归后按时间序列排序。
17、(2.6)采用低通量过滤操作处理周期子序列：对cυ(k+1)进行低通滤波处理，其中低通滤波由长度为np、np、3的滑动平均平滑构成，然后做平滑参数的loess回归平滑处理，得到一个从1到n的序列lυ(k+1)；
18、(2.7)对周期子序列进行去趋势处理：季节分量进行k+1次迭代后得sυ(k+1)＝cυ(k+1)-lυ(k+1)；预防低频对季节分量的影响；
19、(2.8)去周期化：计算除去季节分量的序列yυ-sυ(k+1)；
20、(2.9)趋势平滑：对于去周期化后的序列进行平滑参数为nt的loess回归，得到平滑后的趋势分量tυ(k+1)；
21、(2.10)外循环处理：定义阈值h＝6*median(|rυ|),对于υ时刻的数据点，其鲁棒权重为ρυ＝b(|rυ|/h)，其中b(μ)函数为
22、
23、接着在每次迭代的内循环中，在(2.2)到(2.9)中做loess回归时，邻域权重需要乘以ρv，用来减少outlier对回归的影响。outlier：离群值也叫做异常数据。
24、进一步地，步骤(2.9)中，停止条件为loess回归处理后得到平滑后的趋势分量。
25、进一步地，vae模型包括编码器和解码器，其中编码器将输入数据编码表示，计算得到两组编码，用方差编码为噪声编码分配权重，最后将原编码和经过权重分配后噪声编码叠加，得到新的编码，解码器将编码后的低维特征表示映射回原始数据的维度；步骤(3)包括：
26、(3.1)构建编码器
27、编码器包括输入层、隐藏层和输出层，其中输入层的维度数取决于stl分解后序列的个数。隐藏层为全连接层，其中隐藏层维度数设置为原始序列数据中对港口空气质量造成影响的特征的个数，并且隐藏层节点数小于输入层的节点数量。输入层的节点数和输出层的节点数相等；激活函数设置为softmax；
28、(3.2)构建解码器
29、解码器由输入层、隐藏层和输出层三个部分组成，输入层接收原编码和经过权重分配后噪声编码叠加后得到新的编码，隐藏层与编码器的隐藏层使用相同的层数和节点数，重构原始数据要求输出层的节点数与原码数据的特征维度相等；
30、(3.3)使用stl分解后集合作为源码数据来训练vae自编码器，将原编码数据输入到神经网络编码层nn encoder中，计算出均值编码m和方差编码σ，m属于m1、m2、m3…mi，σ属于σ1、σ2、σ3…σi，然后对σ做一层指数运算，再利用方差编码为噪声编码z分配权重，z属于z1、z2、z3…zi，最后将原编码和本文档来自技高网...
【技术保护点】
1.基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，步骤(1)中，港口空气质量影响因素包括自然因素和人为因素，自然因素包括港口空气质量数据、气象数据；人为因素包括生产作业数据。
3.根据权利要求2所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，所述港口空气质量数据包括PM10、PM2.5、AQI、SO2和NO2；所述气象数据包括温度、气压、湿度、风速；所述生产作业数据包括装船机的作业效率、堆料机的作业效率、取料机的作业效率。
4.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，步骤(2)包括：
5.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，VAE模型包括编码器和解码器，其中编码器将输入数据编码表示，计算得到两组编码，用方差编码为噪声编码分配权重，最后将原编码和经过权重分配后噪
6.根据权利要求5所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，步骤(3)包括：
7.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，TCN预测模型的结构为编码器-解码器，步骤(5)包括：
8.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，步骤(6)TCN模型训练过程中膨胀因果卷积把序列问题转化为x1,x2,…,xt去预测y1,y2,…,yt，增加参数d来调整间隔，给出因果卷积定义，滤波器F＝(ω1,ω2，…，ωi)，序列X＝(x1，x2,…,xk)，在xi处的膨胀因果卷积为：
9.根据权利要求1所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，步骤(7)中，评估预测结果包括：运用训练完成后的TCN模型预测获得指定时间步的港口空气质量数据，采用均方根误差RMSE、R2分数和平均绝对百分比误差MAPE对港口空气质量预测值和实际港口空气质量值进行评估；若R2越贴近0则说明模型拟合效果很差，需要返回步骤(5)对模型的超参数进行调整，若R2越贴近1则模型拟合效果越好。
10.根据权利要求9所述的基于STL分解和VAE-TCN网络模型的港口空气质量预测方法，其特征在于，
...【技术特征摘要】
1.基于stl分解和vae-tcn网络模型的港口空气质量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于stl分解和vae-tcn网络模型的港口空气质量预测方法，其特征在于，步骤(1)中，港口空气质量影响因素包括自然因素和人为因素，自然因素包括港口空气质量数据、气象数据；人为因素包括生产作业数据。
3.根据权利要求2所述的基于stl分解和vae-tcn网络模型的港口空气质量预测方法，其特征在于，所述港口空气质量数据包括pm10、pm2.5、aqi、so2和no2；所述气象数据包括温度、气压、湿度、风速；所述生产作业数据包括装船机的作业效率、堆料机的作业效率、取料机的作业效率。
4.根据权利要求1所述的基于stl分解和vae-tcn网络模型的港口空气质量预测方法，其特征在于，步骤(2)包括：
5.根据权利要求1所述的基于stl分解和vae-tcn网络模型的港口空气质量预测方法，其特征在于，vae模型包括编码器和解码器，其中编码器将输入数据编码表示，计算得到两组编码，用方差编码为噪声编码分配权重，最后将原编码和经过权重分配后噪声编码叠加，得到新的编码，解码器将编码后的低维特征表示映射回原始数据的维度。
6.根据权利要求5所述的基于stl分解和vae-...
【专利技术属性】
技术研发人员：徐凯，俞扬信，任珂，周洋，王威，陈康旭，陆军，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
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。