【技术实现步骤摘要】
本专利技术属于深度学习，具体地说是一种基于深度置信网络的区域空气质量预测方法。
技术介绍
1、近年来，空气污染对人类健康的危害愈发严重，人们也愈加关注空气质量问题。据世界卫生组织(who)估计，每年因空气污染可造成700万人过早死亡，除常见的心血管和呼吸道疾病外，有新证据表示空气污染还会引起糖尿病和神经退行性疾病等问题，是人类健康面临的最大环境威胁之一。如今，117个国家的6000多个城市正在监测空气质量，与2011年启动空气质量数据库时相比，报告数量增加了近6倍。在监测的基础上，进行空气质量预测有助于政府制定相关决策、为民众提供出行依据，对城市规划建设、环境管理、污染控制等具有重要意义。
2、空气质量预测的主要方法是数值模拟和统计学习。数值模拟依据大气物理、大气化学等大气环境基础理论，使用高斯模型、拉格朗日模型等作为内核，以气象场为驱动，构建模拟真实大气环境来预测空气质量。大气作为一个混沌系统，对其进行模拟难度高，模型庞大复杂且计算量巨大，导致实际应用中该方法受到限制。统计学习以回归、分类、拟合等算法为内核，以历史数据为驱动，通过寻找数据变化规律、挖掘输入输出关系来预测污染物浓度。随着神经网络技术发展迅速，深度学习模型逐渐成为空气质量预测领域的研究热点，与传统的统计预测方法相比，其强大的学习能力无疑是巨大的优势，能够处理更多的数据特征，得到更好的预测效果，因此，本文提出一种基于深度置信网络的区域空气质量预测方法。
技术实现思路
1、为了加强对大气监测点位空气质量监测数
2、本专利技术为实现上述目的所采用的技术方案是：
3、一种基于深度置信网络的区域空气质量预测方法，包括以下步骤：
4、1)从大气自动监测点位获取空气质量监测数据；
5、2)对空气质量监测数据中的污染物浓度数据进行数据清洗，并将数据划分为训练集和测试集；
6、3)对污染物浓度训练数据集进行预处理，得到输入向量；
7、4)把每个点位的输入向量分别输入到ipso-dbn模型进行特征提取，使用注意力机制把不同点位监测数据的特征向量进行加权融合，得到全局特征；
8、5)将全局特征输入到svr模型进行训练；
9、6)使用步骤4)和步骤5)中训练好的dbn-attention-svr组合模型进行预测，将模型预测结果反归一化并输出，得到预测的未来一小时的污染物浓度。
10、所述数据清洗具体为：将数据中的浓度负值、字母标识的异常值置nan，视为缺失；然后使用三次样条插值法进行缺失值填充，对于连续6小时及以上的数据缺失不进行插值填充。
11、所述预处理为对污染物浓度训练数据集进行归一化。
12、所述ipso-dbn模型包括深度置信网络dbn以及使用粒子群算法，通过使用粒子群算法对dbn的初始权值进行优化，完成对数据的特征提取。
13、所述dbn使用堆叠的多层rbm对输入数据抽象、提取特征信息，通过最小化能量函数对其进行训练，rbm的能量函数为：
14、
15、其中，θ＝{wij,ai,bj}表示dbn模型参数，其中wij是可见层神经元i与隐藏层神经元j之间的连接权重，ai表示可见层神经元i的偏置值，bj表示隐藏层神经元j的偏置值，vi为可见层神经元i的状态，hj为隐藏层神经元j的状态。
16、所述粒子群算法的粒子速度和位置更新公式为：
17、
18、其中，k为迭代次数，和分别表示第i个粒子第k次迭代的位置和速度，pibest是个体极值，pgbest是全局极值，r1和r2为(0，1)之间的随机数，w为惯性权重，c1，c2为学习因子。
19、所述粒子群算法还需要对学习因子c1，c2以及惯性权重w进行动态调整，具体为：
20、
21、其中，kmax为最大迭代次数，wmax为惯性权重最大值，wmin为惯性权重最小值，c1max为学习因子c1最大值，c1min为学习因子c1最小值，c2max为学习因子c2最大值，c2min为学习因子c2最小值，k为当前迭代，w、c1、c2为第k代的惯性权重和学习因子。
22、所述使用注意力机制把不同点位监测数据的特征向量进行加权融合，具体为：
23、
24、
25、
26、其中，hi表示第i个站点的空气质量数据特征，si为第i个站点的数据特征得分，和bα为计算得分所用的参数，sn表示计算权重时对所有站点得分遍历求和，αi为与第i个站点的加权权重，c为注意力机制最终得到的全局特征。
27、所述svr模型具体为：
28、使用径向基核函数将特征数据从低维空间映射到高维空间，在高维空间中寻找最优超平面，使最远样本点离超平面的距离最小，设置容忍偏差ε，当svr模型输出f(x)和y的误差绝对值大于ε时才计算损失，同时引入松弛变量，使部分样本不在2ε间隔带内，svr目标函数为：
29、
30、
31、其中，ω为超平面权值向量，b为偏置，xi为第i个样本数据即第i条全局特征，为核函数，yi为第i条特征对应的真实输出，c为惩罚因子，ξi、分别为间隔带上方和下方样本点的松弛变量，对于任意样本xi,如果在间隔带内，ξi、都为0；在间隔带上方ξi＞0，在间隔带下方ξi＝0，
32、一种基于深度置信网络的区域空气质量预测装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于深度置信网络的区域空气质量预测方法。
33、本专利技术具有以下有益效果及优点：
34、1.本专利技术为空气质量预测提供一种切实有效的方法，能够较为准确的预测出未来一小时的空气污染物浓度，为空气污染的治理提供了有效的技术支撑。
35、2.本专利技术以沈阳市34个大气自动监测点位的6种空气污染物小时浓度数据作为输入向量，充分发挥了ipso-dbn强大的特征提取能力和svr的回归预测能力，并结合注意力机制降低模型的预测误差。
本文档来自技高网...【技术保护点】
1.一种基于深度置信网络的区域空气质量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述数据清洗具体为：将数据中的浓度负值、字母标识的异常值置NAN，视为缺失；然后使用三次样条插值法进行缺失值填充，对于连续6小时及以上的数据缺失不进行插值填充。
3.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述预处理为对污染物浓度训练数据集进行归一化。
4.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述IPSO-DBN模型包括深度置信网络DBN以及使用粒子群算法，通过使用粒子群算法对DBN的初始权值进行优化，完成对数据的特征提取。
5.根据权利要求4所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述DBN使用堆叠的多层RBM对输入数据抽象、提取特征信息，通过最小化能量函数对其进行训练，RBM的能量函数为：
6.根据权利要求4所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于
7.根据权利要求6所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述粒子群算法还需要对学习因子c1，c2以及惯性权重w进行动态调整，具体为：
8.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述使用注意力机制把不同点位监测数据的特征向量进行加权融合，具体为：
9.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述SVR模型具体为：
10.一种基于深度置信网络的区域空气质量预测装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-9任一项所述的一种基于深度置信网络的区域空气质量预测方法。
...【技术特征摘要】
1.一种基于深度置信网络的区域空气质量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述数据清洗具体为：将数据中的浓度负值、字母标识的异常值置nan，视为缺失；然后使用三次样条插值法进行缺失值填充，对于连续6小时及以上的数据缺失不进行插值填充。
3.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述预处理为对污染物浓度训练数据集进行归一化。
4.根据权利要求1所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述ipso-dbn模型包括深度置信网络dbn以及使用粒子群算法，通过使用粒子群算法对dbn的初始权值进行优化，完成对数据的特征提取。
5.根据权利要求4所述的一种基于深度置信网络的区域空气质量预测方法，其特征在于，所述dbn使用堆叠的多层rbm对输入数据抽象、提取特征信息，通过最小化能量函...
【专利技术属性】
技术研发人员：白雪，张哲，王宁，周晓磊，祁柏林，张镝，徐凯，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
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。