[发明专利]基于多尺度特征提取和深度学习的PM2.5

权利要求书

1.基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，其特征在于，包括以下步骤：

获取基础数据，对基础数据进行预处理，得到预处理数据；

将预处理数据进行模态分解，得到分解数据，并根据频率高低进行排序；

对频率最高的分解数据再次模态分解，得到再分解数据；

对分解数据和再分解数据进行归一化处理并存储；

搭建长短期记忆网络，并对归一化处理的数据构建预测网络；

将长短期记忆网络的预测结果进行合并和反归一化处理，得到预测结果。

2.根据权利要求1所述的基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，其特征在于，所述获取基础数据，对基础数据进行预处理，得到预处理数据，具体为：获取基础数据，将基础数据进行缺失值识别并替补，分类整理保存为.mat文件；所述基础数据为当地PM_2.5时间序列。

3.根据权利要求2所述的基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，其特征在于，所述缺失值用于判断基础数据是否需要替补，具体如下：所述缺失值少于5％时对模型预测性能影响较少，仅进行剔除处理；当缺失值大于5％时使用替补手段进行替补；替补手段采用均值替补，即以两个记录或前一个记录的平均值进行替换。

4.根据权利要求1所述的基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，其特征在于，所述将预处理数据进行模态分解，得到分解数据，并根据频率高低进行排序，具体为：将预处理数据通过基于自适应白噪声的完备总体经验模态分解技术转换成M个频率从高到低排序的内涵模态分量以及1个剩余分量。

5.根据权利要求4所述的基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，其特征在于，所述通过基于自适应白噪声的完备总体经验模态分解，具体如下：

1)、通过在原始PM_2.5序列中加入白噪声来获得噪声信号集：

sⁱ(t)＝s(t)+ε₀ωⁱ(t),i＝1,2,...,N (1)

其中sⁱ(t)表示第i个噪声信号；s(t)表示原始信号；ε表示噪声标准差；ωⁱ(t)表示白噪声序列；N表示测试次数；

2)、对噪声信号进行EMD分解，对分解结果进行平均，得到第一内涵模态分量：

其中表示第j个模式组件；N表示测试次数；IMF₁ⁱ表示第i次测试得到的IMF；

3)、计算第一个剩余分量：

其中r₁(t)表示第一个剩余分量；s(t)表示原始信号；表示第1个模式组件；

4)、分解获得第二个模式：

其中表示第二个模式组件；N表示测试次数；E_k(·)表示生成通过EMD分解获得的第k个模式的运算符；r₁(t)表示第一个剩余分量；ε₁E表示噪声标准差；ωⁱ(t)表示白噪声序列；

5)、计算j＝2，3，…，j的第j个余数：

其中r_j(t)表示第j个剩余分量；r_j-1(t)表示第j-1个剩余分量；表示第j个模式组件；

6)、对r_j(t)+ε_jE_j[ωⁱ(t)]进行分解得到(j+1)阶模态：

其中表示第j+1个模式组件；N表示测试次数；E_k(·)表示生成通过EMD分解获得的第k个模式的运算符；r_j(t)表示第j个剩余分量；ε_j表示噪声标准差；ωⁱ(t)表示白噪声序列；

7)重复步骤5)和6)，直到剩余分量不能进一步分解，最后，将原始信号分解为：

其中s(t)表示原始信号；J表示模式组件数量；表示第j个模式组件；R表示最终剩余分量。