[发明专利]一种基于深度神经网络预测24小时PM2.5

权利要求书

1.一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于，包括如下步骤：

步骤1)，收集某一时间段某一地区多个地面监测站点的PM_2.5浓度时序数据，对应时间段内的其他6种污染物数据和NOAA地面站点的4种气象要素数据，并对所有数据进行异常值剔除和缺失值补全操作；

6种污染物数据包括PM₁₀，PM_2.5，SO₂，NO₂，CO和O₃，4种气象要素数据包括温度T，露点温度DT，风向U和风速V；

步骤2)，把完整的PM_2.5时间序列数据划分为训练集和测试集，然后利用CEEMD分解方法分别分解两个数据集，分别为训练分量集和测试分量集，并分别计算训练分量集和测试分量集中各分量的样本熵，均值和方差；

步骤3)，构建AE-BILSTM模型，所述AE-BILSTM模型包括一个编码器，用于提取输入参数中的隐式特征，一个解码器，用于解码和还原输入参数，然后堆叠一个BILSTM层用于提取正向和反向的输入与输出参数间的过去与未来的变化特征；最后把BILSTM层的输出放入全连接层中，得到最后的预测结果；

步骤4)，选择一个与测试分量最接近的训练分量，和其他污染物与气象要素数据一起作为AE-BILSTM模型的输入参数，训练AE-BILSTM模型，每一个测试分量对应一个最接近的训练分量，并训练得到对应的AE-BILSTM模型；

步骤5)，将测试分量输入到对应的训练好的AE-BILSTM模型，将AE-BILSTM模型预测未来时刻的所有测试分量按照相同时刻求和的规则进行累加，以获得最终的PM_2.5浓度预测结果。

2.如权利要求1所述的一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于：步骤1)中根据缺失值占比大小进行补充操作，缺失值占比为0％～3％时，使用均值填充进行数据补全，缺失值占比为3.01％～10％时，使用线性插值进行数据补全，缺失值占比为10.01％～20％时，使用邻近点线性趋势进行数据补全。

3.如权利要求1所述的一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于：步骤2)中，所述CEEMD分解方法是基于经验模态分解EMD改进而来的进化版分解方法，将非平稳时序数据分解成多个平稳的时序信号，提升时序信号的自相关，提取更多有效信息；CEEMD分解方法中设置三种参数，分别是信号标准偏差(Nstd)，添加的白噪声数量(NR)以及最大包络次数(MaxIter)，训练集中Nstd、NR、MaxIter三个具体参数数值分别设置为0.2，400 和4000；测试集中的Nstd、NR、MaxIter分别设置为0.2，100和1000，分别得到16个训练分量和13个测试分量，并分别计算两个数据集分解得到分量的样本熵，均值和方差。

4.如权利要求1所述的一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于：步骤4)中与测试分量最接近的训练分量是指，与测试分量的样本熵，均值和方差最为接近的训练分量。

5.如权利要求1所述的一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于：步骤4)中，训练AE-BILSTM模型时，使用的损失函数为“Mse”，具体公式如(1)所示，并使用深度学习常用的防止过拟合的早停方法，防止模型出现过拟合；

其中，T为时间步长，N为数据的时刻总数，为预测值，x为真实值，i表示某个时刻，t为时间步长中的某个具体值。

6.如权利要求1所述的一种基于深度神经网络预测24小时PM_2.5浓度的方法，其特征在于：还包括计算预测结果与实测数据之间的三种精度评价指标，即拟合优度(R²)，均方根误差(RMSE)，平均绝对误差(MAE)，评价模型的预测性能。