[发明专利]一种基于LSTM神经网络的空气微站浓度预测方法

权利要求书

1.一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，包括以下步骤：

步骤1、获取空气微站的气体浓度和颗粒物浓度，以此构建数据集，并对数据集进行预处理后，将数据集分为训练集和测试集；

步骤2、构建深度学习神经网络LSTM模型，初始化深度学习神经网络LSTM模型的参数，并设定深度学习神经网络LSTM模型的最大历元数、隐藏层层数，以及输入层，隐藏层和输出层的神经元个数；

步骤3、从训练集中选取小批量数据；

步骤4、向步骤2中所述深度学习神经网络LSTM模型的输入层、各个隐藏层中分别加入丢弃神经元算法，并设定输入层的丢弃率、隐藏层的丢弃率；

将步骤3选取的小批量数据作为深度学习神经网络LSTM模型的输入，由深度学习神经网络LSTM模型进行历元训练，并判断历元是否达到步骤2中设定的最大历元数，其中：

若历元没有达到设定的最大历元数，则用设定的隐藏层的丢弃率p调整隐藏层中的神经元的数量；然后用L2正则化算法根据平均百分比误差计算出整个系统的损失函数，用于判断得出的结果是否满足训练终止条件；执行批量梯度下降，根据权重更新的公式更新权重和偏差；最后重复步骤3和本步骤4；

若历元达到设定的最大历元数，则终止计算过程；

步骤5、当步骤4中历元没有达到设定的最大历元数时，计算损失函数，并判断损失函数在预设的连续时间期限内是否降低，若没有降低则停止训练，得到训练完成的深度学习神经网络LSTM模型；否则返回步骤2重新设定最大历元数后，再重复步骤3、4和本步骤5；

步骤6、将步骤1得到的测试集输入至步骤5得到的训练完成的深度学习神经网络LSTM模型，由深度学习神经网络LSTM模型输出预测结果。

2.根据权利要求1所述的一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，步骤1中，采用孤立森林算法对数据集中的数据进行预处理，以剔除异常数据。

3.根据权利要求1所述的一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，步骤3中，基于训练集中数据的最大值和最小值，取最大值和最小值之间范围内的部分数据作为小批量数据。

4.根据权利要求1所述的一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，步骤4中，采用L2正则化算法，根据平均百分比误差计算损失函数。

5.根据权利要求1所述的一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，步骤4中，采用梯度下降计算，通过对每一个小批量训练数据集执行参数更新，减少参数更新的方差，使得系统收敛更加稳定，再根据权重更新公式更新权重和偏差。

6.根据权利要求1所述的一种基于LSTM神经网络的空气微站浓度预测方法，其特征在于，步骤5中，采用计L2正则化算法计算整个深度学习神经网络LSTM的损失函数。