[发明专利]基于python平台的LSTM神经网络来预测雾霾方法

权利要求书

1.一种基于python平台的LSTM神经网络来预测雾霾方法，其特征在于，步骤包含：

步骤1、获取历史天气数据；

步骤2、历史天气数据的预处理；

步骤3、将预处理完的历史天气数据集按照比例分为训练数据和测试数据；

步骤4、使用python平台构造LSTM神经网络；

步骤5、使用训练数据集训练LSTM神经网络；

步骤6、使用训练完成的LSTM神经网络预测雾霾。

2.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法，其特征在于，历史天气数据包括每小时的温度，露点温度，压力，风速，风向，降雨量，降雪量，雾霾浓度数值。

3.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法，其特征在于，所述步骤2包含：

步骤2.1、将数据进行清洗，数据集中分散的NA值用0标记，将不是输入特征的列删除，比如时间和风向，其中NA值是代表有些数据在某一时刻没被收集到；

步骤2.2、对所有数据进行归一化处理；

按照如下公式将所有数据归一化到0～1之间；

其中，X'表示归一化后的数据，X_max表示数据的最大值，X_min表示数据的最小值。

4.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法，其特征在于，所述步骤4在python平台构建的LSTM神经网络模型包括：一个输入层、一个LSTM细胞层、一个输出层；

所述LSTM细胞层的内部设置有若干门限，包含遗忘门f_t、输入门i_t、输出门o_t；

并且LSTM递归循环神经网络的前向传播函数为：

i_t＝σ(W_xiX_t+W_hih_t-1+b_i)

f_t＝σ(W_xfX_t+W_hfh_t-1+b_f)

c_t＝f_t*c_t-1+tanh(W_xcX_t+W_hch_t-1+b_c)

o_t＝σ(W_xoX_t+W_hoh_t-1+b_o)

其中，W_xi为输入层到输入门之间的权重；W_hi为上一时刻隐藏层与输入门之间的权重；W_xf为输入层到遗忘门之间的权重；W_hf为上一时刻隐藏层与遗忘门之间的权重；W_xc为输入层到状态细胞之间的权重；W_hc为上一时刻隐藏层与状态细胞之间的权重；W_xo为输入层到输出门之间的权重；W_ho为上一时刻隐藏层与输出门之间的权重；σ表示sigma函数；X_t表示输入；h_t-1表示上一时刻隐藏层的输出；b_i表示输入门偏置；b_f表示遗忘门偏置；c_t表示状态细胞输出；b_c表示状态细胞偏置；b_o表示输出门偏置。

5.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法，其特征在于，所述门限数值0表示禁止所有信息通过，数值1表示允许所有信息通过。