[发明专利]空气质量预测方法、装置、设备及存储介质

说明书

本申请提供了一种空气质量预测方法、装置、设备及存储介质，涉及神经网络技术领域，该方法包括：获取原始空气质量数据得到训练样本，采用训练样本对预设的BP神经网络进行多次训练，得到多个训练结果，选取最优的训练中单层隐含层中的权重和阈值，构建空气质量预测模型，将待预测数据输入所述空气质量预测模型进行预测，得到空气质量预测结果。本申请实施例利用遗传算法来优化BP神经网络以弥补现有BP神经网络中的局部极小化致训练失败、收敛速度慢等缺点，使BP神经网络能够根据遗传算法得到最优个体对网络的权重和阈值进行更新，其大大减少了网络的迭代次数，加快网络的收敛速度，此方法表现出了良好的性能，有效提高了预测的精准性。

技术领域

本申请涉及神经网络技术领域，具体而言，本申请涉及一种空气质量预测方法、装置、设备及存储介质。

背景技术

空气是人类赖以生存的资源，空气质量的好坏是世界各国关心的重中之重。近年来，随着空气污染给人类健康造成的威胁日益严重，城市空气问题也开始引发了人们越来越多的关注。世界卫生组织2014年5月公布的最新数据显示，全世界大多数城市的室外空气质量不仅没有达到该组织制定的安全标准，其污染的状况还在不断加剧，城市空气污染已经成为当今世界最主要的公共卫生挑战之一。

传统的空气质量预测方式的操作过程太过繁杂，所耗费的计算资源同样过多。其具体是旨在构建一种近乎现实的模拟环境，再配合上现有的已经证实的一系列大气污染物的变化规律，尽可能地补充有关影响大气质量的各环境因素，以此呈现出一种具有高精度性的数学模型，能够根据已有的参数进行模拟来显露出大气污染物的变化结果。该方法有效性高的同时却受限于输入的参数存在一定的偏差可能出现，需要进行实时的修正处理，因此在实际应用当中其运行效率还有待进一步提高。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术受限于输入的参数存在一定的偏差可能出现，需要进行实时的修正处理的技术问题。

第一方面，提供了一种空气质量预测方法，包括：

获取原始空气质量数据，对所述原始空气质量数据进行预处理，得到训练样本；

采用所述训练样本对预设的BP神经网络进行多次训练，得到多个训练结果，所述训练结果用于表示所述BP神经网络对所述空气质量的预测结果，所述预设的BP神经网络设置有单层隐含层；

选取所述多次训练中训练结果最优的训练中所述单层隐含层中的权重和阈值，构建空气质量预测模型，将待预测数据输入所述空气质量预测模型进行预测，得到空气质量预测结果。

作为本申请一种可能的实施方式，在该实施方式中，所述对所述原始空气质量数据进行预处理，得到训练样本，包括：

所述原始空气质量数据包括单位体积内污染物的含量，所述污染物包括SO2、NO2、PM10、PM2.5、CO和O3；所述原始空气质量数据还包括气压、风速、温度、相对湿度、绝对湿度

对所述原始空气质量数据进行如下处理，去除唯一属性、处理缺失值以及数据标准化。

作为本申请一种可能的实施方式，在该实施方式中，所述处理缺失值包括：

在所述原始空气质量主句中识别K个样本；

采用所述K各样本估算缺失数据点的值；

针对每个样本对应的确实数据点的值，采用所述每个严格邻域的平均值进行插补。

作为本申请一种可能的实施方式，在该实施方式中，所述方法还包括：

设定所述BP神经网络的输入节点个数为10，输出节点个数为1；

采用公式确定所述隐含层的节点个数，其中，n是隐含层的神经元节点数，m是输入层的神经元节点数，p是输出层的神经元节点数，a是一个整数，取值范围为[1,10]。