[发明专利]基于python平台的LSTM神经网络来预测雾霾方法

说明书

本发明是一种基于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。本发明的主要目的在于提高雾霾预测的精度，在python平台搭建LSTM神经网络模型，只需选择超参、损失函数以及梯度下降算法，简便性和实用性都极其强。

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，在python平台设计一种基于LSTM神经网络的雾霾预测方法。

背景技术

随着社会的快速发展，环境问题日益严重，现如今，中国已经将雾霾作为灾难性气象进行预警预报，称为“雾霾天气”。美国环保署2009年发布《关于空气颗粒物综合科学评估报告》指出，有足够的科学研究结果证明了大气细粒子能吸附大量有致癌物质和基因毒性诱变物质，给人体健康带来不可忽视的负面影响，包括提高死亡率、使慢性病加剧、使呼吸系统及心脏系统疾病恶化，改变肺功能及结构、影响生殖能力、改变人体的免疫结构等。

目前国内对于雾霾预测研究有着诸多的方法，主要趋势在于结合深度学习技术实现有效预测雾霾。

雾霾形成原因与气温，风速，降雪降雨量等气候因素有关，它们之间呈现一种非线性关系，目前常规的线性分析预测无法掌握出其中的变化规律以及变化特征。

传统的神经网络，比如支持向量机，RNN循环神经网络对于多特征输入的预测问题效果很差，特别RNN循环神经网络可能产生梯度消失，从而影响预测的准确新。

LSTM神经网络，能够解决RNN循环神经网络的梯度消失问题，相对于传统神经网络，可以很好地解决多特征输入的预测问题，同时具备其他深度学习方法的特点，只需建立LSTM神经网络，再选择基本超参，网络便可以自学习出正确的网络模型。

由于Python语言的简洁、易读以及可扩展性，Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，以及调试各种深度学习中的神经网络。

发明内容

本发明的目的在于突破原有技术的不足，提供一种基于LSTM神经网络的雾霾预测方法，通过在python平台建立LSTM神经网络，输入训练样本，让网络自学习出一个能有效预测雾霾的网络模型。

为了达到以上目的，本发明通过以下技术方案实现：

一种基于python平台的LSTM神经网络来预测雾霾方法，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。

优选地，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。

优选地，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；