[发明专利]一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法

说明书

本发明属于细微颗粒物探测领域，具体涉及一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法，包括以下步骤：对萤火虫算法进行优化，得到萤火虫优化算法；创建模型的样本训练集并为高斯过程回归模型选择协方差函数；利用改进的粒子群优化算法对高斯过程回归模型的方程超参数优化；根据优化的超参数得出模型，输出预测。本发明提出一种基于高斯过程回归和萤火虫算法的细颗粒物预测与溯源方法，该方法将高斯过程回归和萤火虫算法相结合，既能细颗粒物空间分布及短时变化态势进行预测，也能对细颗粒物多污染源动态回溯，实现对细颗粒物多污染源的准确定位。

技术领域

本发明属于细微颗粒物探测领域，具体涉及一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法。

背景技术

近年来，经济发展带来的环境问题日益凸显，空气质量已成为公众关注的焦点。其中细颗粒物可以深入到人体肺泡和血液循环系统，对人体健康带来极大危害。面对严峻的细颗粒物污染问题，各级政府部门积极采取综合治理措施，并取得一定的成效。然而雾霾治理是一个漫长的过程，相关部门不但需要长期的治理计划，更需要科学化、定量化的预防和实时监测机制，实现标本兼治。对细颗粒物进行预测和溯源，及时有效地发现细颗粒物变化趋势和污染源分布，为有关部门的科学决策和事后追责提供有力支撑，为公众的及时预防提供准确指导，具有很重要的现实意义。

现阶段在细颗粒物预测方面，利用经典的扩散模型如高斯羽流扩散模型或者社区多尺度空气质量模型，可以得到比较准确的结果。但共同的缺点是很难确定应用的条件，很多关键参数的设置都很繁琐，需要的现实环境建模数据输入较多。对于空气中的气体或者细颗粒物等物质的预测应用较多的是人工神经网络模型。然而，面对室外复杂环境下的预测，人工神经网络模型输入等条件的限制可能导致模型产生复杂的网络结构进而导致预测估计时间过长。尽管人工神经网络在非线性建模方面有较强的能力，但面对小样本数据显得有些无力。另一方面，在细颗粒物空间维度分布预测数据需要支撑后续溯源算法的实现，要实现准确的溯源特征，就必须保证数据在突变状态下的敏感性，而人工神经网在处理非平稳数据方面跟踪性误差较大。基于以上考虑选择应用高斯过程回归模型来完成细颗粒物空间和时间维度上的预测，其在处理小样本、非线性等复杂问题时具有很好的效果，相较于人工神经网络具有容易实现、超参数自适应获取、泛化能力强等特点，并且高斯过程回归模型在处理非平稳性问题时，跟踪性更好误差更小。

多模态函数又叫多峰值函数，多模态函数优化问题的一种求解是寻找目标函数全局最优，同时避免局部最优解。另一种优化问题的目标是找到具有相等或不等函数值的多个最优解。

现实环境中雾霾天气的出现，并不是单污染源造成的，其主要来自多污染源多空气污染物复杂作用的结果，通过现有研究可以知道城市雾霾污染的来源主要包括：交通密集区尾气排放、工业密集区废气排放和监测区域以外传入等情况。与源定位相关的大部分工作都致力于寻找、检测和跟踪单个源位置点，当研究多个源位置点时问题就变得复杂化。由于扩散过程由于受到室外环境的多种因素影响，细颗粒物在空间中的分布是动态变化的，这就使得在函数模型创建过程中并不能应用静态的多模态函数建模。而在创建动态气体模型过程中，模型需要设定的环境假设过多，并且对现实环境的空气变化状态有各种要求。对于多模态函数最优值的求解，萤火虫优化算法是一个很好的选择。

综上所述，现有技术存在应用条件不确定、参数设置繁琐、耗时长、误差大，不能处理小样本等问题。

发明内容

本发明是针对空气污染监测领域提出的一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法，旨在对细颗粒物空间分布及短时变化态势进行预测，并对细颗粒物多污染源动态回溯，实现对细颗粒物多污染源的准确定位。

一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法，包括以下步骤：

(1)对萤火虫算法进行优化，得到萤火虫优化算法；

(2)创建模型的样本训练集并为高斯过程回归模型选择协方差函数；