[发明专利]一种基于深层结构循环神经网络的PM2.5预测方法

说明书

本发明公开了一种基于深层结构循环神经网络的PM2.5预测方法，利用采集的大量数据，根据深度学习和循环神经网络理论构建深层结构的PM2.5的预测模型，通过数据特征的提取和训练，实现雾霾天气的预测，旨在提高雾霾预测的效率和精度，为雾霾预防和治理提出有说服力的决策依据。预测模型对于数据结构几乎没什么要求，只要数据足够大时能自学习，使得深度学习非常适合当下互联网大数据应用的需要。

技术领域

本发明属于环境工程于检测技术领域，更为具体地讲，涉及一种基于深层结构循环神经网络的PM2.5预测方法。

背景技术

空气质量一直是关系人类前途命运的重大问题，随着社会进步、汽车保有量的急剧增加导致空气中的可吸人颗粒物含量大幅上升，环境污染问题日趋严重。随着空气质量的不断恶化，雾霾天气现象越来越多，危害越来越大。雾霾是一种灾害天气现象。可吸入颗粒物PM2.5，才是雾霾天气主要成因，不仅对空气质量有着严重的影响，重要的是对人体健康威胁巨大。

对于空气质量的预测研究有着诸多的思想与方法，在众多的方法中，基于系统工程的思想，并有效结合新理论和新方法对环境质量，尤其是雾霾，实现量化研究以及有效预测是主要发展趋势。

由于受气候、气温、人类活动等大量不确定性和复杂性因素的影响，各类天气数据的时间序列具有高度非线性、不确定性等特性，常规的分析、预测方法很难掌握其中的变化规律及变化特性。

浅层的神经网络在解决简单的或者限制较多的问题效果明显，但是由于建模和表示能力有限，遇到实际生活中一些更加复杂的涉及自然信号的问题实现能力有限。

深度的神经网络，具有多个隐形层，比传统神经网络更具有结构上的优势，特征抽象能力能强。深度神经网络采用一种全新的编码方式，不需要直接为解决的问题设计算法和编程，只需要针对训练过程编程，网络再训练过程中就能自己学习到解决问题的正确方法，在数据量得到保证的情况下，简单的算法加上复杂的数据能得到特别的效果。

同时由于芯片处理性能的巨大提升，用于训练的数据爆炸性增长和近来机器学习和信号、信息处理研究有了很大进展，这些都使深度学习方法可以有效利用复杂的非线性函数和非线性的复合函数来学习分布和分层的特征表示并且可以充分有效地利用标注和非标注的数据。

循环神经网络(RNN)是一类可用于无监督(和有监督)学习的深度网络，深度甚至可以达到和输入序列的长度一致，在无监督学习模式下，RNN被用来根据先前的数据样本预测未来的数据序列，并且学习过程中没有用到类别信息，因此RNN非常适合序列数据建模。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深层结构循环神经网络的PM2.5预测方法，通过结合循环神经网络的基础理论，网络构造和流程原理来搭建PM2.5预测模型，从而实现PM2.5的预测。

为实现上述发明目的，本发明一种基于深层结构循环神经网络的PM2.5预测方法，其特征在于，包括以下步骤：

(1)、获取历史天气数据，包括每小时的温度，光照，风速，降雨量，SO2，O3，NO，PM10，PM2.5数据指标，其中，温度单位：℃，光照单位：lm/㎡，风速单位：m/s，降雨量单位：mm，SO2，O3，NO，PM10，PM2.5均是浓度数据；

(2)、数据预处理

(2.1)、对缺失历史天气数据进行补全处理

利用均值法补全缺失的历史天气数据：

其中，X_t表示当前时刻的缺失历史天气数据，X_t-1表示前一时刻的缺失历史天气数据，X_t+1表示前后一时刻的缺失历史天气数据；

(2.2)、对所有历史天气数据进行归一化处理