[发明专利]基于OcE的PM2.5浓度预测方法

权利要求书

1.一种基于OcE的PM_2.5浓度预测方法，其特征在于，步骤如下：

第一步:使用ONAR模型来描述PM_2.5数据流的动态特性，搭建在线PM_2.5浓度预测模型框架；基于ONAR的PM_2.5浓度预测模型包括两部分：

一部分是NAR时间序列模型，其数学表达式如下：

PM_2.5(t+1)＝f(PM_2.5(t),PM_2.5(t-1),…,PM_2.5(t-p)),    (1)

其中PM_2.5(t+1),PM_2.5(t),PM_2.5(t-1),…,PM_2.5(t-p)表示PM_2.5浓度时间序列，时间单位是小时；PM_2.5·(t+1)表示下一小时的PM_2.5浓度；PM_2.5(t)表示当前PM_2.5浓度；PM_2.5(t-1),PM_2.5(t-2),…,PM_2.5(t-p)是前1,2,…,p个小时的PM_2.5浓度，p+1表示自回归的阶数，选取若干个候选值p+1＝1,2,3,4,…分别建立基于ONAR的PM_2.5浓度预测模型，选取使得PM_2.5浓度预测精度最高的p+1候选值最为p+1的最终值，f(·)表示非线性映射函数；

另外一部分是初代NAR模型的建立过程以及后代NAR模型的在线更新过程；

第二步:利用EnsMDOS-ELM递归学习每一代NAR模型的非线性函数，利用GEM融合规则获得每一代MDOS-ELM子模型的权重；

第三步:综合执行第一步～第二步，获得基于OcE的PM_2.5浓度预测模型；

第四步：设计OcE预测模型时间稳定性的检测方法，即任何当前NAR-EnsMDOS-ELM模型预测未来几年的每小时PM_2.5浓度；

在上述步骤中，

第一步的初代NAR模型的建立过程以及后代NAR模型的在线更新过程，实现过程为：PM_2.5数据按时间顺序不断产生；

根据时间顺序，使用历史周期内的PM_2.5数据构造初代样本块建立初代NAR PM_2.5浓度预测模型令后代NAR模型的更新周期为当累计了第1个更新周期的样本后构造第1代样本块更新获得第一代NAR PM_2.5浓度预测模型当累计了第2个更新周期的样本后构造第2代样本块更新获得第一代NAR PM_2.5浓度预测模型以此类推，不断获得新的样本块并更新模型；

分别准备和候选集，即年,2年,3年；年,1年，产生了6种组合：分别在每种组合下建立并测试基于OcE的PM_2.5浓度预测模型，挑选预测性能最好的组合，即OcE PM_2.5浓度预测模型的测试集均方根误差及其标准差最低的组合；

第二步的EnsMDOS-ELM是指以MDOS-ELM为基学习机的集成方法，获得EnsMDOS-ELM的过程，包括：EnsMDOS-ELM模型集成了一组具有递归学习能力的且各不相同的MDOS-ELM子模型，EnsMDOS-ELM模型主要包括两个环节：

第一个环节是训练各代MDOS-ELM子模型，每一个初代MDOS-ELM子模型都建立在初代样本块上；令表示初代EnsMDOS-ELM中的第i个子模型，其中M表示EnsMDOS-ELM中子模型的总数；当获得第1代样本块后，第1代MDOS-ELM子模型通过递归学习的方式从自其初代子模型更新获得；当获得第2代样本块S₂后，第2代MDOS-ELM子模型通过递归学习的方式从自第1初代子模型更新获得；

第二个环节是使用Perrone和Cooper定义的GEM融合规则计算每一代MDOS-ELM子模型的权重；每一代子模型的权重都随着新样本块进行动态调整。

2.根据权利要求1所述的基于OcE的PM_2.5浓度预测方法，其特征在于：第四步的OcE预测模型时间稳定性的检验过程如下：任何当前NAR-EnsMDOS-ELM模型预测未来几年的每小时PM_2.5浓度，其中NAR-EnsMDOS-ELM表示以EnsMDOS-ELM为非线性拟合函数的NAR模型；使用2010～2015年北京每小时PM_2.5数据进行实验；当和时，OcE PM_2.5浓度预测模型的测试集均方根误差及其标准差最低，即预测性能最好；此时，使用2010～2011年的每小时PM_2.5数据构造并建立每年更新一次OcE PM_2.5浓度预测模型；由2012年的每小时PM_2.5数据构造并建立由2013年的每小时PM_2.5数据构造并建立依次类推，当和时的OcE PM_2.5浓度预测模型的具体的时间稳定性检验过程：

如果检验OcE模型对未来一年的预测效果，则以2012年的每小时PM_2.5数据为的测试集；以2013年的每小时PM_2.5数据为的测试集；以2014年的每小时PM_2.5数据为的测试集；依次类推，计算OcE模型在2012～2015测试集上RMSE的平均值和标准差

如果检测OcE模型对未来两年的预测效果，则以2013年的每小时PM_2.5数据为的测试集；以2014年的每小时PM_2.5数据为的测试集；以2015年的每小时PM_2.5数据为的测试集；依次类推，计算OcE模型在2013～2015测试集上RMSE的平均值和标准差

从理论上分析，会大于等于这是因为随着预测周期的延长，预测难度会加大，预测误差会随之增大；小于等于或略大于则表明OcE模型的时间稳定性好；实验结果证明基于OcE的PM2.5浓度预测模型具有好的时间稳定性。