[发明专利]基于OcE的PM2.5浓度预测方法

说明书

本发明公开了基于OcE的PM_2.5浓度预测方法，属于计算机应用技术领域。本发明包括，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。第二步：利用EnsMDOS‑ELM来递归学习每一代NAR模型的非线性函数。EnsMDOS‑ELM中的基学习机是MDOS‑ELM,使用GEM融合规则获得新一代MDOS‑ELM子模型的权重。第三步：综合执行第一步～第二步，即可获得基于OcE的PM_2.5浓度预测模型。第四步：设计了OcE预测模型时间稳定性的检验方法，即任何当前NAR‑EnsMDOS‑ELM模型都可以稳定预测未来几年(e.g.,一年和两年)的每小时PM_2.5浓度。本发明以新颖且更合理的方式搭建基于OcE技术的PM_2.5浓度预测模型，挖掘空气质量数据中的有用信息。实验结果表明所申请技术能够显著提高每小时PM_2.5浓度预测的时间稳定性和泛化性。

技术领域

本发明本发明涉及在线学习、集成学习和神经网络技术，属于计算机应用技术领域，尤其涉及一种基于OcE的PM2.5浓度预测方法。

背景技术

本发明以最受关注的空气污染物——细颗粒物(即PM_2.5)浓度为主要研究对象。中国快速的城市化和工业化带来了严重的空气污染。PM_2.5是最有害的空气污染物之一，它由空气动力学直径小于2.5μm的空气传播颗粒组成。长期暴露于高浓度PM_2.5中会严重危害人类健康，例如肺气肿，肺部疾病，肺癌和鼻癌的风险更高。此外，长期高浓度的PM_2.5会逐渐降低城市的人才吸引力，侵蚀城市经济增长，降低区域竞争力等。改善空气质量和降低PM_2.5的浓度是非常困难的，它们不可能在短时间内得到完全解决。时间稳定的且高精度的PM_2.5浓度预测器不仅有助于政府做出正确的决策和采取措施(例如，限制交通以减少向大气排放的废气)，还可以帮助人们计划出行。因此，迫切需要这样的PM_2.5浓度预测模型。