[发明专利]一种基于小样本下多模型自适应大气PM2.5

说明书

本发明公开了一种基于小样本下多模型自适应大气PM_2.5浓度预测方法，通过自身的太阳能供电系统、户外监测探头和云端网络实时在线对校园一年四季的大气污染物浓度进行数据采集，对采集到的大气污染物等进行数据归一化处理，用最小二乘支持向量回归方法对采集的四季的大气污染物数据进行训练得到不同季节的大气PM_2.5浓度预测模型，将采集的数据作为预测模型的输入变量，不同预测模型根据自身算法计算得到不同季节的大气PM_2.5浓度预测值，将预测值与实际的采集的数据进行预测比较，所得误差性能指标在几种模型中最小者，采用误差小者的预测模型对当前的状态下大气污染物PM_2.5浓度进行预测，满足单一模型不能应对当前状态下模型预测大气PM_2.5浓度的能力。

技术领域

本发明涉及特征提取，机器学习，多模型自适应，PM_2.5浓度预测。

背景技术

目前技术比较成熟且应用较为广泛的预测方法大致为时间序列方法，多元线性回归方法，神经网络等方法。这些方法大多通过建立当前状态下线性或者非线性大气PM_2.5浓度预测模型，从而实现PM_2.5浓度预测。但是在实际的大气环境中，PM_2.5浓度很容易受到环境影响变化，往往建立的当前状态下的单个预测模型难以满足大气环境下PM_2.5浓度变化，进而导致所建立的模型预测精度下降甚至失效。

而上述这些方法甚至在建立模型时需要大量的历史数据进行训练。因此，计算时间被增加，并且在实际中有时没有足够数据可采集。

目前大气监测大多都停留在混合模型及多模型融合。而针对不同环境下建立相应的预测模型进行自适应的切换达到对PM_2.5浓度预测的方法还没被广泛应用。

发明内容

本发明提出一种基于小样本下多模型自适应大气PM_2.5浓度预测方法，该方法以北京市某校园大气监测系统平台采集到的大气污染物浓度及气象条件的数据作为输入变量，利用主元成分分析提取贡献率较大的数据变量，通过所建立的多个不同季节的预测模型对大气中细颗粒物PM_2.5浓度预测，然后通过误差的性能指标判断，从而实现多模型自适应大气PM_2.5浓度预测。

描述下图1的结构组成以及连接关系。

该大气监测系统平台由软件及硬件两部分组成。软件包括上位机大气污染监测系统，客户端APP。客户可以通过上位机实时监测大气污染物及气象条件等因素的变化趋势。其中包括：污染物趋势图、空气质量情况及监测区域等。客户也可以通过手机APP实时任何地点监测周围空气质量情况及污染物趋势变化等。硬件包括室外监测探测器，该探测器由室外探头、太阳能供电板及配电箱组成。该大气监测系统利用室外监测设备采集到的污染物数据通过4/5G网络上传到云端服务器然后，客户端利用上位机及移动客户端上的APP等实时对周围空气质量的监测及查看。

包括以下步骤：

步骤1：大气监测系统在北京市某校园环境中，通过网络云端及硬件支持，对大气PM_2.5浓度全年(四季)不间断实时监测和数据采集。

步骤2：通过主元成分分析方法对采集到的大气污染物进行贡献率分析得到 PM_2.5浓度累积贡献率最高。并分析与大气PM_2.5浓度有关系的因素，进而对大气 PM_2.5浓度进行预测。

步骤3：将分析得到的与PM_2.5有关系的一组变量作为预测模型的输入变量。

步骤4：对输入变量进行数据归一化处理，使量纲一致，从而达到预测更准确。