[发明专利]一种基于聚类的ARIMA算法的气体浓度预测方法

说明书

本申请为一种基于聚类的ARIMA算法的气体浓度预测方法，提供了一种气体浓度预测方法，包括：S1：采集气体浓度数据，所述气体浓度数据为气体实时浓度序列；S2：数据预处理，基于K‑Means聚类算法对气体浓度数据进行离群点检测，以剔除异常数据；S3：利用ARIMA算法建立ARIMA预测模型；S4：将预处理后的气体浓度数据输入ARIMA预测模型中，以进行气体浓度预测。

技术领域

本申请涉及一种基于聚类的ARIMA算法的气体浓度预测方法。

背景技术

工业原料在车间长期储存的过程中，存在诸多不安全因素。工业原料的添加、转运、长期储存的过程中很难避免泄漏情况的发生，并且这些气体常常伴随着剧毒、易燃、易爆等特点，一旦泄漏事故发生，后果不堪设想，不仅严重影响工程进度，甚至危害人员的生命财产安全。且该问题的维护与管理成本较高，难度较大。基于此，气体泄漏情况、扩散状态等情况，需要通过及时有效地对环境参数信号实时监测来判断评估，实现预防为主、及早发现、有序处置。

对于气体泄漏情况的预警，可以将气体浓度序列抽象为单变量时间序列。ARIMA模型(差分整合自回归滑动平均模型)作为常用的时间序列预测模型，具有轻量、易于实现、准确率高且易于配置等特点。但是，传统的ARIMA模型只能预测趋势，对于输入信号的噪声控制存在一定的局限性，进而影响到输出结果的预测准确度。实际应用中，研究院、高校、企业等单位根据应用场景的不同，通过对ARIMA模型进行必要的改进，实现时间序列的预测。

发明内容

鉴于上述的情况，本申请提供一种能解决上述问题的低噪声、高精度、轻量化及参数可灵活配置的气体浓度预测方法，具体而言本发明提供一种基于聚类的ARIMA算法的气体浓度预测方法，基于K-Means聚类算法剔除异常数据，并利用ARIMA算法建模进行浓度预测、输出结果。

本申请的至少一个目的在于提供一种气体浓度预测方法，包括：

S1：采集气体浓度数据，所述气体浓度数据为气体实时浓度序列；

S2：数据预处理，基于K-Means聚类算法对气体浓度数据进行离群点检测，以剔除异常数据；

S3：利用ARIMA算法建立ARIMA预测模型；

S4：将预处理后的气体浓度数据输入ARIMA预测模型中，以进行气体浓度预测。

根据本申请的一个实施例，其中，在数据预处理之前，还包括数据清洗步骤，在数据清洗步骤中，将存在缺失值的数据进行处理，选择用缺失值邻近的数值取平均作为替代，来填充缺失值。

根据本申请的一个实施例，其中，数据预处理步骤包括：

a.将气体浓度数据按数据量分为K个类别，选择K个类别对应的K个初始中心点；

b.对任一样本点，在每一轮的迭代中，求取该样本点到K个中心点的欧式距离，然后，将样本点归入距其最近的中心点所对应的类别；

c.通过求各类期望值点对K个中心点进行迭代，对各类别的中心点取平均，更新中心点；

d.对每一个聚类中心点，重复b、c两个步骤，当各个类别的中心点的移动距离符合某一阈值要求时，迭代结束，分类任务完成。

根据本申请的一个实施例，其中，当各个类别的中心点的移动距离大于一设定值时，迭代结束，分类任务完成。

根据本申请的一个实施例，其中，选择K个类别对应的K个初始中心点的方法包括：

遍历所有样本点对求距离，选择其中距离最远的两个点；

当初始中心点达到K个，则终止，否则，在余下样本中，选一个样本C₃，挑选该样本点的目标为：