[发明专利]一种基于LSTM神经网络的空气微站浓度预测方法

说明书

本发明公开了一种基于LSTM神经网络的空气微站浓度预测方法，采用孤立森林算法对空气微站获得的污染物浓度数据进行预处理，并且深度学习中融合了批量梯度下降算法，以提高整个系统的稳定性，同时在输入层和隐藏层中加入Dropout算法和L2正则化算法，以避免过拟合现象的产生,整个算法用以使用低成本传感器处理颗粒物浓度，气体浓度的输入以及多个空气质量输出的复杂时空关系。

技术领域

本发明涉及基于神经网络的环境监测方法领域，具体是一种基于LSTM神经网络的空气微站浓度预测方法。

背景技术

由于交通运输的增加、人口密度的增加、全球变暖的加剧和气候的突变，空气污染已经上升到了危险的程度。有必要监测和控制污染，为人类、动物和植物生命创造一个更健康和无毒的环境。为了减少空气污染对社区的影响，环境保护机构和政府做出了巨大的努力。关于空气污染状况的详细信息可以帮助研究人员、政策制定者和开发商管理和改善生活氛围，因此，准确的空气质量检测是非常必要的。但由于环境空气因素复杂，温度，湿度，风速等都会对气体和颗粒物传感器浓度测量产生影响，而且气体之间也会存在交叉灵敏度的现象，简单的线性回归无法满足测量的精度，因此采用深度学习的方法进行浓度的预测，对训练的数据进行特征提取，但简单的深度学习往往会存在空间不稳定性和过拟合的问题。

发明内容

本发明的目的是提供一种基于LSTM神经网络的空气微站浓度预测方法，以解决现有技术深度学习方法进行浓度预测时存在空间不稳定性和过拟合的问题。

为了达到上述目的，本发明所采用的技术方案为：

一种基于LSTM神经网络的空气微站浓度预测方法，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调整隐藏层中的神经元的数量；然后使用L2正则化算法计算整个深度学习LSTM神经网络的损失函数，根据损失函数判断所得结果是否满足训练终止条件；接着利用权重更新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，则执行下一步骤；

步骤5、当步骤4中历元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。

进一步的，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。

进一步的，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。

进一步的，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，并利用下一个小批量重复步骤5。