[发明专利]一种基于RF-LSTM复合网络的PM2.5指数预测方法

说明书

本发明公开了一种基于RF‑LSTM复合网络的PM2.5指数预测方法，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，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，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，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；本发明通过采集模块、RF‑LSTM复合网络神经模块的配合，使其可以基于RF‑LSTM复合网络进行预测，一定程度上提高PM2.5指数的预测精度。

技术领域

本发明属于环境处理技术领域，具体涉及一种基于RF-LSTM复合网络的 PM2.5指数预测方法。

背景技术

pm2.5主要由水溶性离子、颗粒有机物和微量元素等组成。PM2.5浓度越高，呼吸系统病症和心血管病的发病率也同步增高。PM2.5的重要来源是汽车尾气，恶化的PM2.5数据会给民众以触动,拷问他们在污染防治中的责任，从而提醒更多人少开车，多选择绿色出行。

但是，目前PM2.5指数的预测通常是基于图片和适用于PM2.5的自然场景统计模型来预测PM2.5浓度，通过测量图片提取出的特征与自然场景统计模型的相似度进行非线性映射得到的PM2.5浓度预测模型，其中图片的清晰度对提取特征影响较大，故会存在特征提取不准导致预测精度低的现象。

因此我们需要提出一种基于RF-LSTM复合网络的PM2.5指数预测方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于RF-LSTM复合网络的PM2.5指数预测方法，通过采集模块、RF-LSTM复合网络神经模块的配合，使其可以基于RF-LSTM 复合网络进行预测，提高预测精度，以解决上述背景技术中提出的问题。

为实现上述目的，本发明采用了如下技术方案：

一种基于RF-LSTM复合网络的PM2.5指数预测方法，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。

优选的，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。

优选的，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。

优选的，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。