[发明专利]基于长短时记忆网络的PM2.5预测方法

说明书

本发明公开了一种基于长短时记忆网络的PM2.5预测方法，建立长短时记忆网络模型，所述长短时记忆网络模型包括依次设立的LSTM层和Dense层，初始化所述长短时记忆网络模型的参数并将所述数据矩阵Z作为输入，得到输出预测值W，将所述预测值W与所述目标值Y进行对比，根据对比结果修改所述长短时记忆网络模型的参数，直至对比结果的误差在设定的范围内。本发明利用长短时记忆网络，更好的刻画PM2.5浓度本身具有的时间序列关系，最终训练得到的预测模型相较于线性回归和神经网络模型具有更高的准确度，同时本发明充分考虑了包括其他污染物及天气因素对PM2.5浓度的影响，预测效果更加精确。

技术领域

本发明涉及数据处理领域，特别涉及一种基于长短时记忆网络的PM2.5预测方法。

背景技术

PM2.5浓度预测作为回归预测，现有方法主要包括线性回归和神经网络等，在预测效果上有一定的准确性，但未考虑到PM2.5浓度前后时刻具有的连续性，即下一个时段浓度值变化与上个时间段的含量具有很强的记忆关系，因此，使用该方式所得到的PM2.5浓度并不精确。

发明内容

本发明的目的是克服上述现有技术中存在的问题，提供一种基于长短时记忆网络的PM2.5预测方法，利用长短时记忆网络，更好的刻画PM2.5浓度本身具有的时间序列关系，最终训练得到的预测模型相较于线性回归和神经网络模型具有更高的准确度。

为此，本发明提供一种基于长短时记忆网络的PM2.5预测方法，包括如下步骤：

S1：获取目标空气质量监测站点中M个时间节点的每一个时间节点的PM2.5的值以及其他N-1个空气参数的值，其中M为正整数；

S2：截取第m个时间节点之前的F个时间节点的每一个时间节点的PM2.5的值以及其他N-1个空气参数的值，其中m、F以及N均为正整数，m∈M，F＜m；

构建第f个时间节点的特征向量基数H_f，使得

H_f＝[x₁,x₂,…,x_n,…,x_N]

其中，x₁表示F个时间节点中第f个时间节点的PM2.5的值，x_n表示F个时间节点中第f个时间节点的第n个空气参数的值，且n∈N，f为正整数；

S3：构建数据矩阵Z，使得

Z＝[H₁,H₂,…,H_f,…,H_F]

其中，f∈F；

S4：设置目标值Y，使得

Y＝T_m+r

其中，T_m+r表示第m个时间节点之后第r个时间节点的PM2.5的值，r为正整数；

S5：建立长短时记忆网络模型，所述长短时记忆网络模型包括依次设立的LSTM层和Dense层，初始化所述长短时记忆网络模型的参数并将所述数据矩阵Z作为输入，得到输出预测值W，将所述预测值W与所述目标值Y进行对比，根据对比结果修改所述长短时记忆网络模型的参数，直至对比结果的误差在设定的范围内。

进一步，本发明使用滚动时间窗口的方式进行所述步骤S1至步骤S4，使得所述数据矩阵Z遍历所述M个时间节点的每一个时间节点的PM2.5的值以及其他N-1个空气参数的值。

进一步，在步骤S2中，在得到构建的第f个时间节点的特征向量基数H_f之后，对所述特征向量基数H_f进行归一化处理。