[发明专利]一种基于神经网络的PM2.5浓度值预测方法

权利要求书

1.一种基于神经网络的PM2.5浓度值预测方法，其特征在于，所述方法包括以下步骤：

步骤1、采集原始数据，以PM2.5历史浓度值为主体；

步骤2、采用模态分解方法对PM2.5的历史浓度值进行分解并且挑选其有效数据，其过程如下：

步骤2.1、将PM2.5的历史浓度值设定为时序信号A，并将A表示为{A}＝{a₁，a₂，…a_i，...，a_N}，其中，a_i为第i个PM2.5的历史浓度值，i为整数且1≤i≤N，N为PM2.5历史浓度总个数；

步骤2.2、找到整段信号的所有局部极值点(最大值点和最小值点)，并用B_i对这些极值点进行标注，其中1＜i＜n，n为极值点的总个数；

步骤2.3、将所有的相邻的B_i点用线段连接，并用C_i标记这些线段的中点，C_i中的i的取值范围为1＜i＜n-1，n为极值点的总个数；

步骤2.4、添加左边界中点C₀和右边界的中点C_n；

步骤2.5、用这些n+1个中点构造m个差值曲线L₁，...，L_m，并通过公式计算平均值，其中，m≥1；

步骤2.6、在A-L′重复上述2.2～2.5的步骤，直到|L′|≤ε，ε为可允许的最小误差，或者重复至初始设置的筛选次数K，从而得到第一个模式I₁；

步骤2.7、对于A-I₁的剩余值，重复上述2.2～2.6的步骤，得到I₂，I₃，...，I_p直到最后一个残余量R，其中，1≤p≤n；

步骤2.8、在有限的整数区间[K_min，K_max]更改筛选次数K，K_min为K取值的最小值，K_max为K取值的最大值，重复上步骤2.2～2.7，计算A-R的方差σ²和A的标准差σ₀，并绘制以σ/σ₀为纵坐标，以K的取值为纵坐标的关系图。

步骤2.9、在[K_min，K_max]上找到σ/σ₀最小的时候K对应的值K₀，用K₀代入步骤2.2～2.7，输出整个分解模式。

步骤2.8、对于已经得到的分解模式数据，对其进行主成分分析，根据需要提取出对PM2.5浓度值影响较大的几组分量数据；

步骤3、采用神经网络预测PM2.5的浓度值，过程如下：

步骤3.1、创建一个包含编码和解码两个模块的神经网络，该神经网络主要由位置信息计算层、注意力机制层、位置全连接前馈层组成；

步骤3.2、设定网络的输入和输出维度，并设定网络隐含层单元数M，该节点单元数M采用经验公式给出的估计值，如下式所述：

上式中，a为输入层神经元个数，b为输出层的神经元个数，c是取值范围为0～10之间的常数；

步骤3.3、定义位置信息计算层输出公式，偶数位置的输出PE_pos，2i和奇数位置的输出PE_pos，2i+1分别为：

其中，pos代表输入位置，i代表输入维度，d_model为512，sin()为正弦函数，cos()为余弦函数；

步骤3.4、定义其注意力机制输出，由下式表示

Attention_output＝Attention(Q，K，V)

其中，上式中的Q是查询向量，K是键向量，V是值向量，定义Q在第i维度上面的值为Q_i，K在第i维度上面的值为K_i，V在第i维度上面的值为V_i，Q_i、K_i、V_i与输入值X_i之间存在以下关系：

Q_i＝X_i*W_i^Q

K_i＝X_i*W_i^K

V_i＝X_i*W_i^V

上式中，W_i^Q为X_i在Q层的权重，W_i^K为X_i在K层的权重，W_i^V为X_i在V层的权重；

步骤3.5、全连接前馈层网络由一个ReLU激活函数和一个线性激活函数组成，定义位置全连接前馈层网络输出，若将注意力机制层输出表示为Y₁，则全连接前馈层网络FFN输出FFN(Y)为：

FFN(Y)＝max(0，Y₁W₁+b₁)W₂+b₂

其中，Y₁∈R，W₁为Y₁在ReLU层的权重，，W₂为ReLU层的输出在线性函数层的权重，b₁为ReLU层的偏置系数，b₂为线性函数层的偏置系数；

步骤3.6、设定网络的期望最小误差值，最大迭代次数和学习率；

步骤3.7、将步骤2中分解后所得的数据输入到步骤3.1～3.6中所创建的神经网络中，训练神经网络；

步骤3.8、判断神经网络是否收敛，当误差小于设定的神经网络的最小误差的时候，神经网络达到收敛；

步骤3.9、将用于预测的PM2.5数据输入到已经训练完成的神经网络模型中，得到PM2.5浓度的最终预测值。