[发明专利]一种基于深度神经网络预测24小时PM2.5

说明书

本发明公开了一种基于深度神经网络预测24小时PM_2.5浓度的方法。针对目前对PM_2.5长期浓度预测误差较大的问题，本发明将CEEMD分解方法与AE‑BILSTM堆叠的深度神经网络模型进行组合，构建新型混合预测模型来实现PM_2.5浓度的短期精确预测和长期浓度趋势的模拟。目前深度神经网络模型已经被广泛应用，并表现出良好的性能；基于经验模态分解方法提取时间序列数据变化特征的优势也逐渐突显，两者的结合可以带来更好的预测结果。

技术领域

本发明涉及空气污染物预测技术领域，尤其涉及PM_2.5未来浓度的变化趋势预测。

背景技术

近年来，随着经济的迅速发展，城市化进程的加剧，汽车保有量不断增加，PM_2.5浓度也随之升高。PM_2.5会对人体的呼吸道系统，心血管系统产生较大危害，尤其是当其浓度超过115μg/m³的情况。另外，生态环境也会受到高浓度PM_2.5的损害，因此，建立一个可以有效预测PM_2.5浓度方法未来变化趋势的系统和方法至关重要。

目前，可用于PM_2.5浓度预测的技术和方式大概可以归纳为两类：确定性技术和统计模型，确定性技术可以理解为采用模式进行预测，如常见的WRF，WRF-CMAQ模型，但由于确定性技术需要准确的地面排放网格数据和污染来源等信息，数据获取较为困难，数据不确定性较大，模拟结果精度较低，缺点较为明显。反观统计模型则可以较为容易的获取到可用数据，通过提取历史数据的变化特征来模拟未来的浓度变化情况，主要方法包括传统的线性方法和如今较为热门的机器学习模型等。常见的线性模型如灰色模型，最小二乘回归，自回归等；常见的机器学习模型包括反向传播神经网络，广义神经网络，梯度下降算法，决策树模型等。一般来说，在PM_2.5浓度预测中，机器学习方法的性能要优于线性方法，可以更好的捕捉影响因素与PM_2.5浓度之间的非线性关系。近来，深度神经网络被引入用来预测PM_2.5浓度，如循环神经网络，深度置信网络和长、短期记忆神经网络等，往往表现出比传统机器学习方法更好的性能。捕捉PM_2.5浓度的变化特征以及与其他因素之间的关系从而实现长期浓度的准确预测是目前预测方法的挑战。气象要素与PM_2.5浓度变化规律之间存在一定的相关性，其他污染物也会存在一定的影响。因此，构建复杂度更高，能够捕获更多信息的模型是准确预测PM_2.5浓度的前提。此外，PM_2.5浓度数据本身的变化规律更为重要，能够有效提取浓度时序数据中的不同变化特征信息，有助于预测模型更好的实现预测的功能。然而，现有的预测方法尚未将上述的信息很好的利用。

地面监测站点的PM_2.5浓度数据是一种时间序列数据，对其未来浓度预测的本质是对时间序列数据变化趋势的预测。单一模型在对PM_2.5时序浓度预测时往往存在一定的缺陷，无法充分的捕获到PM_2.5浓度变化的关键信息，这些因素的存在导致难以准确捕捉PM_2.5浓度变化的演变特征，增加了预测难度。与此同时，整个时间序列数据的演变特征也未被充分提取，无法捕获不同频次的变化特征，产生了较大的误差。

综上所述，现有的PM_2.5浓度预测技术很难预测PM_2.5浓度的长期(T+6时刻之后)变化特征，预测结果误差较大，峰值存在严重低估的情况。

发明内容