[发明专利]一种基于重污染特征约束的PM2.5深度学习预测方法

权利要求书

1.一种基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，包括建立PM2.5重污染特征案例库和PM2.5深度学习预测模型，所述PM2.5深度学习预测模型的建立基于所述PM2.5重污染特征案例库的重污染特征约束；

所述PM2.5深度学习预测模型的建立包括如下步骤：(1)根据环境监测PM2.5污染物浓度、气象因子数据、自然和人为数据，以PM2.5为预测目标污染物，构建目标城市的PM2.5浓度预测模型；(2)对初始样本数据集去噪，消除异常值，插补缺失值；并进行归一化处理；(3)对标准化后的样本数据集划分为训练集、验证集和测试集；并完成对PM2.5浓度预测模型的初始化；(4)利用步骤三中训练集的训练数据对PM2.5浓度预测模型进行训练，并采用验证集的验证数据进行验证；(5)利用训练完成的PM2.5浓度预测模型对步骤三中测试集的测试数据进行预测；(6)判定测试数据的预测结果准确性，若准确性超过阈值，则执行步骤七，若准确性不超过阈值，则返回步骤三：(7)得到最终的PM2.5深度学习预测模型，进行预测。

2.如权利要求1所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述PM2.5重污染特征案例库的建立包括如下步骤：(A)收集目标城市长时间序列PM2.5污染物浓度和气象因子的观测资料，并且同时收集目标城市历年PM2.5与气象要素的观测数据，按时间排序获得PM2.5实测浓度变化序列，得到时间序列数据；(B)结合统计分析方法研究在不同时间尺度上气象因子对PM2.5浓度分布的影响，对步骤A中得到的时间序列数据进行预处理；(C)针对空气污染现象，系统研究污染天气特征，对步骤B中的结果进行筛选，获得中度污染、重度污染、严重污染三个等级下的天气特征，由此建立空气污染案例库；(D)采用时间序列相似性方法衡量两个不同时间序列之间距离远近程度，计算任意两组相关气象要素时间序列之间的相似度；(E)采用气团后向轨迹模拟方法开展目标城市重污染事件的远距离外来输送分析，并采用欧式距离进行聚类分析，作为重污染特征中的外来输送特征；(F)重污染特征包括本地气象条件及其相似性、外来输送轨迹及其聚类类型两种特征，由此建立PM2.5重污染特征案例库。

3.如权利要求2所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述气象要素包括不同高度下的温度、湿度、风速、风向和降水数据。

4.如权利要求2所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述步骤B中的预处理包括对数据的异常值去除、缺失值插补和归一化。

5.如权利要求2所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述步骤B中包括采用相关分析法获得筛选获得与PM2.5浓度时空分布密切相关的气象要素；并按照PM2.5污染等级划分标准将不同等级的PM2.5时间序列及其对应的气象因子序列归类。

6.如权利要求1所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述PM2.5深度学习预测模型利用卷积神经网络提取空间特征，提取完成后输入长短期记忆神经网络提取时间特征。

7.如权利要求1所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述PM2.5深度学习预测模型的损失函数为常规项和所述PM2.5重污染特征案例库的重污染特征约束之和，所述常规项采用真实值与预测值的误差，使用均方误差表示。

8.如权利要求1所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述重污染特征约束由本地气象条件和外来输送特征组合计算而成。

9.如权利要求1所述的基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，所述步骤六中的判定方法为基于年际及站点的评价方法，指标包括均方误差、均方根误差、平均绝对误差和决定系数。