[发明专利]基于多尺度特征提取和深度学习的PM2.5

说明书

本发明公开了基于多尺度特征提取和深度学习的PM_2.5浓度预测方法，包括：获取基础数据，预处理基础数据，得到预处理数据；将其进行模态分解，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；本发明基于当前PM_2.5在线数据，以低成本、高效益人工神经网络开发实时动态预测PM_2.5发展趋势模型，为公众合理安排出行提供信息；为企业及时进行措施调整以避免可能发生的高浓度排放提供预测；为政府进行预测决策提供依据。

技术领域

本发明涉及大气环境质量管理研究领域，特别涉及一种基于多尺度特征提取和深度学习的PM_2.5浓度预测方法及系统。

背景技术

目前关于PM_2.5预测的研究主要有2种模式：数值模式和统计预报模式。数值模式探究源污染物的扩散方式并确定排放源和空气污染浓度之间的数学关系，随后总结出扩散方程并进行数值求解。大气数值模式可以预测污染物在一定时刻与地点的浓度情况。但利用数值模式方法进行预测分析是比较复杂和耗时的，模拟结果易受污染物排放量和选定变量的影响，而且不容易获得精确的污染源以及气象因素的时空分布资料，因此数值模式的精度比较低。

随着计算机等技术的发展，统计预报模式引起了越来越多人的关注。统计预报模式不探究事务的本身机理，可以从海量数据发现学习数据的规律和模式，挖掘出潜在的信息从而仅仅通过分析事物的表现规律进行PM_2.5浓度的预测。除此之外，统计预报模式能挖掘数据的潜在信息并获得非常好的预测效果。从宏观上来分类，统计预报模式可以分为时间序列模型、支持向量机模型、人工神经网络等。

人工神经网络具有自适应学习等能力，非常适合处理污染物时变序列的预测问题。传统人工神经网络忽略了污染物时间特性导致精度不高。而长短期记忆神经网络(LSTM)能够可以精确地学习到输入输出的时序关系，结合历史信息对未来时刻的信息进行预测，有效解决PM_2.5时间序列的预测问题。

但由于受到气象条件，地理位置，季节变换，政治经济等诸多复杂因素的影响，PM_2.5数据在不同地区具有不同的周期性和随机性。一方面，在一定地域的不同人为及气象因素影响下，PM_2.5浓度存在不同尺度的变化周期，沿着时间轴按照一定趋势呈多尺度周期性变化；另一方面，PM_2.5浓度容易随着其他因素的变化而发生波动，如刮风，降雨，北方城市冬季供暖以及政策变化。单一统计手段并不能完全捕捉各地PM_2.5的多尺度周期及波动特性和实现对当地PM_2.5的准确预测。

针对PM_2.5的多尺度周期混合而导致模型预测精度不高的问题，研究表明数据分解预处理是有效的解决方法。由于能有效实现分解非线性和非静止时间系列，以及描述本地时间尺度瞬时频率，基于自适应噪声的完备经验模态分解(CEEMDAN)可以提取出原始PM_2.5不同维度的信息以及测定出不同因子对时间序列的影响状况，使得网络有更强的泛化能力。

然而，尽管CEEMDAN可以有效地降低非线性时间系列预测的难度，但仍有改进的余地。事实上，当原始时间系列的非线性较高，CEEMDAN分解获得的第一个内在模式函数(IMF1)将更加不规则，从而影响预测精度。单一分解方法产生的子系列的不规则频率范围和动态复杂性，造成预测建模的困难。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于多尺度特征提取和深度学习的PM_2.5浓度预测方法及系统。

本发明的第一目的在于提供基于多尺度特征提取和深度学习的PM_2.5浓度预测方法。