[发明专利]基于卷积长短时网络的PM2.5预测方法在审
| 申请号： | 201910438564.6 | 申请日： | 2019-05-24 |
| 公开（公告）号： | CN110147877A | 公开（公告）日： | 2019-08-20 |
| 发明（设计）人： | 陈志华;郭灿阳;刘耿耿;郭文忠;陈国龙 | 申请（专利权）人： | 福州大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06Q10/04;G06Q50/26 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 陈明鑫;蔡学俊 |
| 地址： | 350108 福建省福州市闽*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 神经网络模型 预处理 训练集 预测 卷积 采集 归一化处理 平移 网络 测试样本 迭代运算 反向传播 更新参数 空气数据 模型参数 浓度数据 循环步骤 测试集 构建 权重 算法 向后 预设 学习 | ||
1.一种基于卷积长短时网络的PM2.5预测方法，其特征在于，包括以下步骤：
步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；
步骤S2:对采集到的数据进行预处理，得到预处理后的数据；
步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；
步骤S4:构建CONVLSTM神经网络模型；
步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；
步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；
步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，得到训练后的CONVLSTM神经网络模型；
步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
2.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述预处理具体为删除异常数据和有缺失的数据。
3.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述CONVLSTM神经网络模型将将LSTM中的全连接网络替换成卷积层，具体为：
其中，ft表示t时刻遗忘门的值，it表示t时刻输入门的值，ot表示t时刻输出门的值，σ表示sigmoid函数，W表示权重矩阵，b表示偏差矢量矩阵，Xt表示t时刻输入到存储单元层的值，Ht表示t时刻网络的输出，表示t时刻存储单元状态的候选值。
4.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述反向传播算法具体为：
步骤S1:前向计算CONVLSTM神经网络模型的每一个神经元的输出值,分别是ft，it，Ct，ht，ot向量的值；
步骤S2:反向计算每一个神经元的的误差项，分为两个部分：一是沿着时间的方向反向传播，另外一个是将误差项往上一层传播；
步骤S3:根据对应的误差项，计算每一个权重的梯度。
5.根据权利要求4所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述CONVLSTM神经网络模型学习的参数为内部各个网络层之间的的权重矩阵Wfh，Wfx，Wih，Wix，Woh，Wox，Wch，Wcx，以及偏差矢量矩阵bf，bi，bo，bc。
6.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述预设值是11000回合。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福州大学，未经福州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910438564.6/1.html，转载请声明来源钻瓜专利网。
