[发明专利]基于卷积长短时网络的PM2.5预测方法

说明书

本发明涉及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。

技术领域

本发明属于机器学习研究领域，具体涉及一种基于卷积长短时网络的PM2.5预测方法。

背景技术

近年来，随着工业发展的发展，空气污染问题日益严重，引起了人们的广泛关注。尤其是像PM2.5这种颗粒半径小，面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，而且在大气中的停留时间长、输送距离远，对人体健康和大气环境质量的影响尤为重大。PM2.5浓度与AQI指数、PM10、SO2，NO2，CO，和O3等浓度有着密切的关系。面对这些种类繁多的数据，需要分析它们之间存在的关系，从而做到精准的预测PM2.5浓度。

PM2.5浓度预测的研究一直是一个热点，不少研究人员致力于此。由于PM2.5对环境以及人体健康的破坏力非常大，因此对它的预测和控制是空气质量维持和城市发展的重要问题。PM2.5浓度预测具有一定的挑战性，主要原因还是影响因素过多且不稳定,不仅有自然因素的影响，还有人为因素的影响。目前，空气质量预测方法主要分为两方面，一方面是基于大气化学模式的机理模型称为确定性模型，另一方面是基于机器学习算法的统计模型称为机器学习模型。尤其是近些年来深度学习的不断发展，推动了对PM2.5浓度预测研究的长足进步。

PM2.5的浓度预测是一个重要的任务，对与环境保护和人体健康有着重大的意义，而且目前仍然没有一种方法能够非常准确的预测PM2.5浓度。因此，该领域一直很活跃。近些年，许多与人工神经网络相关的技术被应用到该领域中，这些网络模型非常稳健，展示了一定的预测能力。

这些年来，随着深度学习的不断发展，该技术也被广泛应用在PM2.5浓度预测中。目前普遍的研究方法是提取PM2.5的时间特性，分析它的变化规律，从而做出预测，不过这些方法存在相当大的局限性，无法对PM2.5发生突变的情况做出准确的判断，从而导致预测的偏差过大.而且大多数方法只考虑的单一地区的PM2.5的变化，忽略地区之间的相互影响。当今正处于大数据时代，我们拥有大量的环境空气数据，可以利用海量的数据进行模型训练，而且在大数据训练下模型的参数效果更佳。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积长短时网络的PM2.5预测方法，结合了CNN和LSTM的优点，准确预测城市的空气质量。

为实现上述目的，本发明采用如下技术方案：

一种基于卷积长短时网络的PM2.5预测方法，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；