[发明专利]一种基于RF-LSTM复合网络的PM2.5指数预测方法

权利要求书

1.一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：包括如下步骤：

S1、通过采集模块采集PM2.5浓度值和相关指标数据，并根据PM2.5浓度值和相关指标数据解析出PM2.5成分含量数据，得到PM2.5成分含量数据库；

S2、提取PM2.5成分含量数据库不同阶段的数据，通过RF-LSTM复合网络神经模块分别进行预测，得到预测参数库；

S3、根据预测参数库建立预测模型，并将不同阶段预测模型进行评估，评估完成后再将相邻两个阶段的预测模型之间确认线性关系，得到不同阶段预测模型之间线性关系的规律；

S4、根据线性关系的规律预测三个新阶段的新预测模型，再量测新预测模型的尺寸得到预测的PM2.5指数。

2.根据权利要求1所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：步骤1中所述采集模块是通过Python程序从环境空气自动监测站接口获取PM2.5浓度值和相关指标数据，采集的PM2.5浓度值和相关指标数据是采集当前数据信息和前两个月内的数据信息。

3.根据权利要求2所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：所述PM2.5浓度值包括空气中含有直径小于2.5微米颗粒物的浓度数据；相关指标数据包括二氧化硫、二氧化氮、一氧化碳和臭氧的含量以及空气中含有直径在2.5至10微粒之间的颗粒物含量。

4.根据权利要求3所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：所述PM2.5成分含量数据库是根据不同日期和不同时间每个时间点采集的PM2.5浓度值和相关指数数据解析出的PM2.5成分含量数据；PM2.5浓度值和相关指数数据在解析时是计算直径小于2.5微米颗粒物的浓度数据与直径小于2.5微米颗粒物的浓度数据和相关指标数据之和的比例。

5.根据权利要求1所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：步骤2中所述RF-LSTM复合网络神经模块包括门控制单元和sigmoid层输出单元，所述门控制单元与sigmoid单元电性连接，所述门控制单元用于去除或者增加信息到细胞状态的能力，门是一种让信息选择式通过的方法，门控制单元包含一个sigmoid神经网络层和一个pointwise乘法操作；所述sigmoid层输出单元用于输出0到1之间的数据，描述每个部分有多少量可以通过，其中0表示不允许任何量通过，1表示允许任意量通过。

6.根据权利要求5所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：所述门控制单元包括包括遗忘门、输入门和输出门，所述遗忘门用于决定在多大程度上保留上—个时刻的元胞状态，所述输入门用于决定将哪些信息存储在这个时刻的元胞状态，所述输出门用于决定输出哪些信息。

7.根据权利要求1所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：步骤2和步骤3中所述预测参数库是根据经RF-LSTM复合网络神经模块处理的P2.5成分含量数据库中的数据规律，给出的当天、后一天和后两天24小时内每小时的PM2.5成分含量。

8.根据权利要求1所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：步骤3中所述线性关系是分别将每个预测模型每个时间点之间通过绘制线段连接制作曲线图，再将相邻两天的曲线的每个相同时间进行比对，找出每个时间点不同天之间曲线变化的规律，从而得到不同阶段预测模型之间的线性关系规律。

9.根据权利要求1所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：步骤4中三个新阶段所述新预测模型是用前一天与当天24小时之间、当天与后一天24小时之间和后一天与后两天之间24小时中每小时预测和线性关系作为参数建立的复合网格神经网络模型，再量测网络神经网格模型不同时间区段的尺寸。

10.根据权利要求9所述的一种基于RF-LSTM复合网络的PM2.5指数预测方法，其特征在于：所述预测的PM2.5指数是根据网络神经网格模型不同时间区段的尺寸确定每个时间段直径小于2.5微米颗粒物的成分含量，再根据空气污染指数判定标准得出的空气污染指数。