[发明专利]一种基于神经网络的PM2.5浓度值预测方法

说明书

一种基于神经网络的PM2.5浓度值预测方法，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；步骤3、采用神经网络预测PM2.5的浓度值。本发明在对PM2.5浓度值的历史数据进行模态分解之后，对其模态分解的数据进行主成分分析，提取出和预测PM2.5浓度值相关度较高的数据，并结合有位置向量和注意力机制的变换器神经网络，提取各个时间点的数据特征，并在最后的预测结果上对其进行体现，从而达到具有较好的数据时序性体现并且在预测效率上具有较大提高的效果。

技术领域

本发明涉及空气颗粒物PM2.5浓度值的预测技术领域，尤其涉及一种基于神经网络的PM2.5浓度值预测方法。

背景技术

PM2.5微粒指环境空气中空气动力学当量直径小于等于2.5微米的微粒物质。PM2.5粒径小，面积大，活性强，容易附带有毒有害的物质，并且能够做到在空气中长时间漂浮、远距离输送，对大气环境和人体健康的影响很大。因此，对PM2.5浓度的监测和预测对于社会有着很大的意义。

为了解决上述问题，任才溶等人在论文《基于随机森林和气象参数的PM2.5浓度等级预测》中，通过选择K-Means算法和随机森林方法进行PM2.5的浓度值预测。黄婕等人在论文《基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测》中，将记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)作为基础，采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。白盛楠等人在论文《基于LSTM循环神经网络的PM2.5预测》中，搭建多变量的LSTM循环神经网络PM2.5预测模型,实现PM2.5日值浓度的预测。李建更等人在论文《基于互补集合经验模态分解与支持向量回归的PM2.5质量浓度预测》中，建立了基于互补集合经验模态分解和支持向量回归的混合预测模型实现了PM2.5浓度值的预测。张静等人在论文《基于BP神经网络的沈阳城区PM2.5浓度预测中，使用BP神经网络对PM2.5质量浓度进行预测。陈菊芬等人在论文《基于多模态支持向量回归的PM2.5浓度预测》中，利用基于多模态支持向量回归(MSVR)的混合预测模型，有效提高了PM2.5.浓度的预测精度。

经调研分析，目前PM2.5浓度值的预测均以各种神经网络为核心架构，对PM2.5等指标(如AQI，NO₂浓度，SO₂浓度，风力大小，湿度等)进行非线性回归分析，神经网络的类型包括BP神经网络、CNN、MSVR、RNN、LSTM等。但是，经文献调研发现，虽然采用的都是历史PM2.5浓度的数据作为模型预测的训练数据，但是在模型预测的时候，对PM2.5浓度数据的时序性并没有很好的体现，并且目前提出的神经网络模型，在模型训练时，由于不能很好的获得其相应时间段的数据特征，使得模型实现周期过长，导致训练效率低下。

发明内容

为了克服已有PM2.5浓度值预测方式对PM2.5浓度历史数据的时序性体现缺失并且预测效率低下的不足，本发明在对PM2.5浓度值的历史数据进行模态分解之后，对其模态分解的数据进行主成分分析，提取出和预测PM2.5浓度值相关度较高的数据，结合有位置向量和注意力机制的变换器神经网络，提取各个时间点的数据特征，并在最后的预测结果上对其进行体现，从而达到具有较好的数据时序性体现并且在预测效率上具有较大提高的效果。

本发明解决其技术问题采用的技术方案是：

一种基于变换器神经网络的PM2.5浓度值预测方法，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：