[发明专利]一种组合式空气质量预报模型的构建方法

摘要

本发明提出一种基于BP神经网络和多元逐步回归的组合式空气质量预报模型的构建方法，包括以下步骤：（1）基于训练样本集，建立BP神经网络预报模型；（2）基于BP神经网络预报结果，进行高污染情景判定，其具体是：（21）高污染情景的定义；（22）判别方程式的建立；（23）采用神经网络预报值判定法进行判定；（24）基于神经网络预报值判定结果，进行判别方程式的判定；（3）基于高污染情景判定结果，建立高污染的多元逐步回归预报模型。（4）综合以上预报判别过程，输出预报结果。本发明全面提高了城市空气质量预报精度，尤其是高污染情景的预警预报，实现了不同污染程度下稳定的空气质量精准预报。 1

主权项

1.一种组合式空气质量预报方法，其特征是，包括以下步骤：(1)基于训练样本集，建立基于BP神经网络预报模型，所述预报模型的输入层神经元包括选取的多个气象因子；(2)基于BP神经网络预报结果，进行高污染情景判定，其具体是：(21)高污染情景的定义；根据神经网络模型预报结果，确定一般污染情景与高污染情景的浓度限值，低于该限值的，认为属于一般污染情景，标记为组1；高于该浓度限值的，认为属于高污染情景，标记为组2。(22)判别方程式的建立；根据步骤(21)高污染情景设定的浓度限值，将样本数据分为两组，即一般污染情景组1和高污染情景组2，针对不同污染情景建立判别方程式，其具体为：(221)根据步骤(1)选取的气象因子确定输入变量，输入变量为第g个分组中第i个变量的第k个观测值；其中g＝1,2，即有两个分组；i＝1,2,...,n，即每个分组共有i个变量；k＝1,2,...,m_g，即第g组中共有m_g个观测值；计算输入变量的总均值第g组的组内均值总离差w^ij、第g组的组内离差(222)采用逐步判别方法，进行变量的引进和剔除；利用Wilks’lambda判别，Wilk统计量最小化的方法，判断依据利用F值，根据组均值的均等性检验结果，设Fentry＝2，Fremoval＝1，即当被加入的变量F值>＝2时才把变量加入到模型，否则变量不能进入模型，当F<＝1时从模型中移出变量，否则模型中的变量不会移出；(223)最终选入d个变量，建立组1和组2的判别方程式：其中，x_i指代第i个变量；q_g＝m_g/M，M为样本容量，M＝m₁+m₂；C_og、为判别系数，(23)采用神经网络预报值判定法进行判定；依据BP神经网络预报结果，以所述浓度限值为判定标准，判定预测日是高污染情景或一般污染情景；(24)基于BP神经网络预报值判定结果，进行判别方程式的判定；(241)如果BP神经网络预报值判定预测日为一般污染情景，则不需要进行判别方程式的判定，直接判定为组1；(242)如果BP神经网络预报值判定预测日为高污染情景，则将预测日的待判别样本代入判别方程式计算值f₁(x)和f₂(x)，如果值f₁(x)大于f₂(x)，则判定为1组，否则判定为2组；(3)基于高污染情景判定结果，建立高污染的多元逐步回归预报模型；(4)综合以上预报判别过程，输出预报结果。