System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。