[发明专利]一种组合式空气质量预报模型的构建方法

权利要求书

1.一种组合式空气质量预报方法，其特征是，包括以下步骤：

(1)基于训练样本集，建立基于BP神经网络预报模型，所述预报模型的输入层神经元包括选取的多个气象因子；

(2)基于BP神经网络预报结果，进行高污染情景判定，其具体是：

(21)高污染情景的定义；

根据神经网络模型预报结果，确定一般污染情景与高污染情景的浓度限值，低于该限值的，认为属于一般污染情景，标记为组1；高于该浓度限值的，认为属于高污染情景，标记为组2。

(22)判别方程式的建立；

根据步骤(21)高污染情景设定的浓度限值，将样本数据分为两组，即一般污染情景组1和高污染情景组2，针对不同污染情景建立判别方程式，其具体为：

(221)根据步骤(1)选取的气象因子确定输入变量，输入变量为第g个分组中第i个变量的第k个观测值；其中g＝1,2，即有两个分组；i＝1,2,...,n，即每个分组共有i个变量；k＝1,2,...,m_g，即第g组中共有m_g个观测值；

计算输入变量的总均值第g组的组内均值总离差w^ij、第g组的组内离差

(222)采用逐步判别方法，进行变量的引进和剔除；利用Wilks’lambda判别，Wilk统计量最小化的方法，判断依据利用F值，根据组均值的均等性检验结果，设F_entry＝2，F_removal＝1，即当被加入的变量F值>＝2时才把变量加入到模型，否则变量不能进入模型，当F<＝1时从模型中移出变量，否则模型中的变量不会移出；

(223)最终选入d个变量，建立组1和组2的判别方程式：

其中，x_i指代第i个变量；q_g＝m_g/M，M为样本容量，M＝m₁+m₂；C_og、为判别系数，

(23)采用神经网络预报值判定法进行判定；

依据BP神经网络预报结果，以所述浓度限值为判定标准，判定预测日是高污染情景或一般污染情景；

(24)基于BP神经网络预报值判定结果，进行判别方程式的判定；

(241)如果BP神经网络预报值判定预测日为一般污染情景，则不需要进行判别方程式的判定，直接判定为组1；

(242)如果BP神经网络预报值判定预测日为高污染情景，则将预测日的待判别样本代入判别方程式计算值f₁(x)和f₂(x)，如果值f₁(x)大于f₂(x)，则判定为1组，否则判定为2组；

(3)基于高污染情景判定结果，建立高污染的多元逐步回归预报模型；

(4)综合以上预报判别过程，输出预报结果。

2.根据权利要求1所述的组合式空气质量预报方法，其特征是，所述气象因子包括风速WS、风向WD、温度T、降雨等级RF、气压AP、相对湿度RH、大气稳定度AS、太阳辐射强度SR；

所述步骤(1)的具体步骤是：

(11)输入层神经元确定，其具体步骤为：

(111)确定污染源，所述污染源采用预测日前T日污染物浓度日均值作为输入因素；

(112)选取与污染物浓度显著相关的气象因子，并赋以相应影响权重；

(12)隐藏层神经元确定，其具体步骤为：通过利用神经网络试验的结果与目标输出的平均绝对误差分析，以输入层神经元数的一半为基准，并将此基准临近数据作为隐藏层神经元数，进行网络结构优劣的判别，选择模型预测效果最好时的隐藏层神经元数；

(13)输出层神经元确定，针对不同污染物建立不同神经网络结构，输出层神经元即为该污染物的预报浓度值；

(14)BP神经网络预测模型的构建：以BP神经网络模块作为预报模型的数据驱动，根据预测日条件动态筛选学习所使用的历史样本，通过信号正向传播和误差信号的反正传播过程，以所有训练样本预测的平均误差是否达到规定标准作为收敛条件，不断修改网络权重，从而建立网络输入条件与输出数据之间的对应关系，建立空气质量预报模型。