[发明专利]一种基于博弈神经网络的PM2.5浓度值预测方法

摘要

一种基于博弈神经网络的PM2.5浓度值预测方法，包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；步骤2、采用生成网络生成模拟数据；步骤3、采用判别网络判断模拟数据的真伪；步骤4、采用博弈神经网络预测PM2.5浓度值。本发明在对PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据进行非线性相关分析之外，还引入一个生成网络将原始数据与噪声混合输出模拟数据，并将模拟数据送入判别网络进行判别，根据判别结果进行交次迭代与调整，针对小数据集，无需预设目标模型，可以准确描述PM2.5浓度值时间变化规律。

主权项

1.一种基于博弈神经网络的PM2.5浓度值预测方法，其特征在于，所述方法包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；步骤2、采用生成网络生成模拟数据，过程如下：步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；步骤2.2、分别设定输入层、输出层数据的维度，隐含层、连接层和输出层的训练函数、连接函数和输出函数，设定网络的期望误差最小值、最大迭代次数和学习率；步骤2.3、随机产生一组随机数据作为生成模型的输入层数据，然后经过生成模型后在输出层产生一组新的PM2.5预测数据，作为FakeData，记作D(m)；步骤3、采用判别网络判断模拟数据的真伪，过程如下：步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数；所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；步骤3.2、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为C，Si表示的是当前元素的指数与所有元素指数和的比值；步骤3.3、从数据集中随机选择一组数据作为Real Data，记作x；步骤3.4、将D(m)和作为x输入数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示输入数据为Real Data的概率，real为1，fake为0；步骤4、采用博弈神经网络预测PM2.5浓度值，过程如下：步骤4.1、将生成网络中生成的模拟数据与原始数据输入判别神经网络，建立博弈神经网络并训练；步骤4.2、计算判别网络损失函数：LD＝‑((1‑y)log(1‑D(G(m)))+ylogD(x))         ⑷y为输入数据的类型，当输入数据为Real Data数据时，y＝1，损失函数公式的前半部分为0。D(x)为判别模型的输出，表示输入x为real数据的概率，训练目标要使得判别网络的输出D(x)的输出趋向于1；当输入数据为Fake Data数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成模型的输出，此时的训练目标要使得D(G(m))的输出趋向于0；步骤4.3、计算生成网络损失函数：LG＝(1‑y)log(1‑D(G(m)))                 ⑸生成网络的训练目标是要使得G(m)产生的数据与真实数据具备同样的数据分布；步骤4.4、计算博弈神经网络的损失函数：其中，表示判别模型的预测类别，对预测概率取整为0或者1，用于更改梯度方向；步骤4.5、根据损失函数的误差进行反向传播，调整循环神经网络的各层权值，调整方式如下：调整规则为：最大化D的区分度，最小化G和real数据集的数据分布；步骤4.6、判断博弈神经网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述博弈神经网络训练完成；步骤4.7、将待测数据输入到所述训练完成的博弈神经网络中，输出PM2.5浓度值的最终预测值。