[发明专利]一种基于卷积-线性回归网络的雾霾浓度预测方法

说明书

本发明公开了一种基于卷积‑线性回归网络的雾霾浓度预测方法，首先将数据分为训练集，交叉验证集，且每部分的数据按时间顺序排列，将训练集的数据按照当时的雾霾平均浓度进行标记；然后对卷积‑线性回归网络进行训练，将有标记的训练集数据进行输入对神经网络进行训练，卷积‑线性回归神经网络的卷积层对数据进行特征提取，卷积层提取数据特征，池化层进行特征筛选，全连接层将图像变为一维向量，分类层根据训练好的参数对其进行分类，最后在线性回归层对数据进行线性拟合，再使用交叉验证集数据监测网络训练的准确度和进度，并对参数进行调整，对输出的线性回归拟合结果进行分析就可以实现对未来雾霾浓度等级的预测。

技术领域

本发明属于天气预测与机器学习技术领域，更为具体地讲，涉及一种基于卷积-线性回归网络的雾霾浓度预测方法。

背景技术

现阶段雾霾领域研究，采用的机器学习方法大多为浅层结构，这些结构通常只包含一至两层的非线性特征转换层，典型的浅层结构有高斯混合模型(GMM)、隐马尔科夫模型(HMM)、条件随机域(CRF)、最大熵模型(MEM)、逻辑回归(LR)、支持向量机(SVM)和多层感知器(MLP)。

2011年，Voukantsis等研究者将主成分分析法和多层人工神经网络的方法相结合，对两个城市(希腊港口和芬兰首都)的第二天的日平均PM10和PM2.5浓度进行预测，其模型运用到两个城市准确度均能达到60％以上。H.Sakaino提出了一种基于图像的预测方法，其可以使用流体状图像序列(即动态纹理)从不同的图像源(例如基于地面的雷达成像器，卫星传感器和闪电)物理地预测近未来的空间-时间图像变化检测器，针对高纬度的图像，该作者提出了一个基于计算机视觉框架的时空预测方法，它采用基于物理的模型与时变光流。

在2015年的CVPR会议上，Shi等人根据雷达信息，将FC-LSTM(Fully ConnectedLong Short-Term Memory)的运用到了对未来降雨的预测上，并在该方法中加入了卷积，优化了预测结果，结果表明加入卷积后，在时空关系上的预测更为精确。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于卷积-线性回归网络的雾霾浓度预测方法，利用卷积-线性回归网络的线性回归拟合结果，实现对未来雾霾浓度等级的预测。

为实现上述发明目的，本发明一种基于卷积-线性回归网络的雾霾浓度预测方法，其特征在于，包括以下步骤：

(1)、从NASA官网下载所需的modis卫星图像，按照时间顺序对所有的卫星图像进行存储，并将其分为：训练集与交叉验证集；

(2)、对卫星图像进行归一化处理

在ENVI软件中打开存储的卫星图像，按照如下步骤提取卫星图像中的感兴趣区域；

(2.1)、在选中的卫星图像的打开窗口Image Display中，添加矢量边界层[Overlay]---[Vectors]；

(2.2)、选择[Basic Tools]中的[Masking]菜单下的[Build Mask]工具并打开，再选择当前打开的卫星图像的窗口Select Input Display，如果当前打开的卫星图像在Display#1中打开，就选择选项中的Display#1即可；

(2.3)、点击[OK]后跳出的对话框中的[Options]菜单下选择[Import EVFs]命令，选中矢量边界文件.evf格式，再确定输出结果的方式[File]或[Memory]；

(2.4)、点击[Apply]后生成MASK文件，再利用生成的MASK文件使用[Apply Mask]工具进行掩膜操作，从而提取出卫星图像中的感兴趣区域；

(3)、按照国家标准的空气污染指数，按照等级对训练集的雾霾浓度进行标记处理；