一種基于混合神經(jīng)網(wǎng)絡(luò)的pm2.5濃度值預(yù)測方法
【專利摘要】一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，包括如下步驟：步驟1、四類樣本數(shù)據(jù)采集。所述四類樣本數(shù)據(jù)包括PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)、氣象歷史數(shù)據(jù)和PM2.5成分解析數(shù)據(jù)；步驟2、采用第一神經(jīng)網(wǎng)絡(luò)初次預(yù)測PM2.5濃度值；步驟3、采用第二神經(jīng)網(wǎng)絡(luò)二次預(yù)測PM2.5濃度值；步驟4、采用第三神經(jīng)網(wǎng)絡(luò)最終預(yù)測PM2.5濃度值，輸出PM2.5濃度值的最終預(yù)測值。本發(fā)明在采用PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)和氣象歷史數(shù)據(jù)這三種類別的數(shù)據(jù)之外，還引入PM2.5成分解析數(shù)據(jù)，能準確描述PM2.5濃度值的變化發(fā)展規(guī)律、提高預(yù)測精度。
【專利說明】
一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及空氣顆粒物PM2.5濃度值的預(yù)測技術(shù)領(lǐng)域，尤其涉及一種基于混合神 經(jīng)網(wǎng)絡(luò)的PM2.5濃度值的預(yù)測方法。
【背景技術(shù)】
[0002] 空氣污染如今已經(jīng)成為人們關(guān)注的焦點。在人口密集的城市里，空氣污染已經(jīng)嚴 重影響到了人們的健康和生活。在空氣污染指標中，PM2.5(直徑小于或等于2.5微米的顆粒 物)濃度值已經(jīng)成為衡量空氣質(zhì)量的標志性檢測指標。根據(jù)歷史數(shù)據(jù)對未來時間段PM2.5濃 度值的預(yù)測已經(jīng)成為具有較強學(xué)術(shù)意義和應(yīng)用價值的研究問題。
[0003] 為了解決上述問題，史旭華等人在專利《一種區(qū)域空氣PM2.5濃度預(yù)測方法》中，通 過建立支持向量機回歸模型進行PM2.5的濃度值預(yù)測。王書強等人在專利《一種空氣質(zhì)量 PM2.5預(yù)測方法及系統(tǒng)》中，通過建立支持張量回歸模型進行PM2.5的濃度值預(yù)測。馬天成等 人在論文《基于改進型PSO的模糊神經(jīng)網(wǎng)絡(luò)PM2.5濃度預(yù)測》中，采用一種改進型PSO優(yōu)化的 模糊神經(jīng)網(wǎng)絡(luò)預(yù)測PM2.5的濃度值。張怡文等人在論文《基于神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測模型》 中，通過建立神經(jīng)網(wǎng)絡(luò)實現(xiàn)了PM2.5濃度值的預(yù)測。荊濤等人在論文《t分布受控遺傳算法優(yōu) 化BP神經(jīng)網(wǎng)絡(luò)的PM2.5質(zhì)量濃度預(yù)測》中，通過建立基于t分布受控遺傳算法優(yōu)化BP神經(jīng)網(wǎng) 絡(luò)模型，對PM2.5質(zhì)量濃度進行預(yù)測。孫榮基等人在論文《一種基于BP神經(jīng)網(wǎng)絡(luò)改進算法的 PM2.5預(yù)測方法》中，通過結(jié)合主成分分析、提前終止訓(xùn)練法和BP神經(jīng)網(wǎng)絡(luò)模對PM2.5的濃度 值進行預(yù)測。陳強等人在論文《鄭州市PM2.5濃度時空分布特征及預(yù)測模型研究》中，通過建 立BP神經(jīng)網(wǎng)絡(luò)對鄭州市當?shù)豍M2.5的濃度值進行預(yù)測。
[0004] 經(jīng)文獻調(diào)研分析，目前已提出的PM2.5濃度值預(yù)測方法均需要大量的歷史數(shù)據(jù)作 為系統(tǒng)輸入樣本。這些歷史數(shù)據(jù)可以分為三個類別。第一類數(shù)據(jù)是PM2.5濃度值歷史數(shù)據(jù)。 第二類數(shù)據(jù)是PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)（比如AQI、PMl(KNO 2、C0、S02、O3)。第三類數(shù)據(jù) 是氣象歷史數(shù)據(jù)（比如氣溫、相對濕度、氣壓、風速、降水量等）。但是，經(jīng)文獻調(diào)研，現(xiàn)有 PM2.5濃度值預(yù)測方法沒有考慮采用第四類數(shù)據(jù)，即PM2.5成分解析數(shù)據(jù)（比如機動車保有 量，工業(yè)廢氣排放量，用電量）。對于不同城市或者地區(qū)，PM2.5形成原因具有較大的差異。如 果僅考慮前三類數(shù)據(jù)，那么所設(shè)計的PM2.5濃度值預(yù)測系統(tǒng)很難準確模擬當?shù)豍M2.5濃度值 的變化發(fā)展規(guī)律。

【發(fā)明內(nèi)容】

[0005] 為了克服已有PM2.5濃度值預(yù)測方式無法描述PM2.5濃度值的變化發(fā)展規(guī)律、預(yù)測 精度較低的不足，本發(fā)明在采用PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)和 氣象歷史數(shù)據(jù)這三種類別的數(shù)據(jù)之外，還引入PM2.5成分解析數(shù)據(jù)，提供一種準確描述 PM2.5濃度值的變化發(fā)展規(guī)律、提高預(yù)測精度的基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方 法D
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0007] 一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，所述方法包括如下步驟：
[0008]步驟1、四類樣本數(shù)據(jù)采集。所述四類樣本數(shù)據(jù)包括PM2.5濃度值歷史數(shù)據(jù)、PM2.5 濃度值相關(guān)指標歷史數(shù)據(jù)、氣象歷史數(shù)據(jù)和PM2.5成分解析數(shù)據(jù)。
[0009] 步驟2、采用第一神經(jīng)網(wǎng)絡(luò)初次預(yù)測PM2.5濃度值，過程如下：
[0010] 步驟2.1、創(chuàng)建一個包含輸入層、隱含層、連接層和輸出層的四層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱 含層和輸出層的節(jié)點數(shù)。所述隱含層的節(jié)點個數(shù)采用經(jīng)驗公式給出估計值，所述經(jīng)驗公式 如下：
[0011]
[0012]上式中，分別為輸入層和輸出層的神經(jīng)元個數(shù)，a是[0，10]之間的常數(shù)。
[0013] 步驟2.2、分別設(shè)定隱含層、連接層和輸出層的訓(xùn)練函數(shù)、連接函數(shù)和輸出函數(shù)，設(shè) 定網(wǎng)絡(luò)的期望誤差最小值、最大迭代次數(shù)和學(xué)習率。
[0014] 步驟2.3、將所述PM2.5濃度值歷史數(shù)據(jù)作為第一神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，并將第一神 經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)分成第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第一神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)，將所述第一神經(jīng)網(wǎng) 絡(luò)訓(xùn)練數(shù)據(jù)歸一化處理，歸一化公式如下：
[0015]
[0016] 上式中，X為所述待歸一化的數(shù)據(jù)，Xmin和Xmax分別為所述新的樣本數(shù)據(jù)中的最小值 和最大值，y為歸一化后的數(shù)據(jù)，分布在[0. 1,0.9]區(qū)間。
[0017] 步驟2.4、將所述第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第一神經(jīng)網(wǎng)絡(luò)中訓(xùn)練第 一神經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第一神經(jīng)網(wǎng)絡(luò)權(quán)值。
[0018] 步驟2.5、判斷所述第一神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法 收斂。在達到最大迭代次數(shù)時結(jié)束算法，所述第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。
[0019] 步驟2.6、將所述第一神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入所述訓(xùn)練好的第一神經(jīng)網(wǎng)絡(luò)，得到 PM2.5濃度值的初步預(yù)測值。
[0020] 步驟2.7、將所述PM2.5濃度值的初步預(yù)測值與所述的PM2.5濃度值相關(guān)指標歷史 數(shù)據(jù)和氣象歷史數(shù)據(jù)合并作為第二神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)。
[0021] 步驟3、采用第二神經(jīng)網(wǎng)絡(luò)二次預(yù)測PM2.5濃度值，過程如下：
[0022]步驟3.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和 輸出層的節(jié)點個數(shù)。
[0023] 步驟3.2、設(shè)定所述第二神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，設(shè)定網(wǎng)絡(luò)的期望誤差最小值、最大 迭代次數(shù)和學(xué)習率。
[0024] 步驟3.3、將所述第二神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)分為第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第二神經(jīng) 網(wǎng)絡(luò)測試數(shù)據(jù)，將所述第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理。
[0025]步驟3.4、將所述歸一化后的第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第二神經(jīng)網(wǎng) 絡(luò)，并且訓(xùn)練第二神經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第二神經(jīng)網(wǎng)絡(luò)權(quán)值。
[0026] 步驟3.5、判斷所述第二神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法 收斂。在達到最大迭代次數(shù)時結(jié)束算法，所述第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。
[0027] 步驟3.6、將所述第二神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第二神經(jīng)網(wǎng)絡(luò)中， 輸出PM2.5濃度值的二次預(yù)測值，將所述PM2.5濃度值的二次預(yù)測值和PM2.5成分解析數(shù)據(jù) 合并作為第三神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)。
[0028] 步驟4、采用第三神經(jīng)網(wǎng)絡(luò)最終預(yù)測PM2.5濃度值，過程如下：
[0029]步驟4.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和 輸出層的節(jié)點個數(shù)。
[0030] 步驟4.2、設(shè)定所述第三神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，設(shè)定網(wǎng)絡(luò)的期望誤差最小值、最大 迭代次數(shù)和學(xué)習率。
[0031] 步驟4.3、將所述第三神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分為第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第三神經(jīng)網(wǎng)絡(luò) 測試數(shù)據(jù)，將所述第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理。
[0032]步驟4.4、將所述歸一化后的第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第三神經(jīng)網(wǎng) 絡(luò)，并訓(xùn)練第三神經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第三神經(jīng)網(wǎng)絡(luò)權(quán)值。
[0033]步驟4.5、判斷所述第三神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法 收斂。在達到最大迭代次數(shù)時結(jié)束算法，所述第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。
[0034]步驟4.6、將所述第三神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第三神經(jīng)網(wǎng)絡(luò)中， 輸出PM2.5濃度值的最終預(yù)測值。
[0035]進一步，所述步驟1中，所述PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)包括AQI (空氣質(zhì)量指 數(shù)）、PM10(Particulate Matter 10)、S〇2(二氧化硫）、C0( -氧化碳）、C〇2(二氧化碳）、〇3(臭 氧），所述氣象歷史數(shù)據(jù)包括平均氣溫、露點、相對濕度、壓強、風速、降水量，所述PM2.5成分 解析數(shù)據(jù)包括機動車保有量、工業(yè)廢氣排放量和用電量等。
[0036]本發(fā)明的技術(shù)構(gòu)思為:在采用PM2.5濃度值歷史數(shù)據(jù)，PM2.5濃度值相關(guān)指標的歷 史數(shù)據(jù)(AQI、PMlO、NO2、CO、SO2、O3)和氣象歷史數(shù)據(jù)(氣溫、相對濕度、氣壓、風速、降水量等） 這三類數(shù)據(jù)之外，重點引入了PM2.5成分解析數(shù)據(jù)(機動車保有量，工業(yè)廢氣排放量，用電 量)這第四類數(shù)據(jù)來進行PM2.5濃度值的預(yù)測。進一步，將這四類數(shù)據(jù)通過三個神經(jīng)網(wǎng)絡(luò)分 階段預(yù)測PM2.5濃度值。
[0037]本發(fā)明的有益效果主要表現(xiàn)在:本發(fā)明的技術(shù)方案能夠準確地模擬當?shù)豍M2.5濃 度值的變化規(guī)律，有效得提高當前PM2.5濃度值的預(yù)測精度，實現(xiàn)"本地化"和"區(qū)域化"精準 預(yù)測。
【附圖說明】
[0038]圖1是一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法示意圖。
[0039]圖2是ELman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程圖。
[0040]圖3是BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程圖。
【具體實施方式】
[0041]下面結(jié)合附圖對本發(fā)明作進一步描述。
[0042]參照圖1~圖3，一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，所述方法包括如 下步驟：
[0043] 步驟1、四類樣本數(shù)據(jù)采集。所述四類樣本數(shù)據(jù)包括PM2.5(Particulate Matter 2.5)濃度值歷史數(shù)據(jù)、PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)、氣象歷史數(shù)據(jù)和PM2.5成分解析數(shù) 據(jù)。進一步，所述PM2. 5濃度值相關(guān)指標歷史數(shù)據(jù)包括AQI (空氣質(zhì)量指數(shù)）、PMlO (Particulate Matter 10)、S〇2(二氧化硫）、C0( -氧化碳）、C〇2(二氧化碳）、〇3(臭氧），所述 氣象歷史數(shù)據(jù)包括平均氣溫、露點、相對濕度、壓強、風速、降水量，所述PM2.5成分解析數(shù)據(jù) 包括機動車保有量、工業(yè)廢氣排放量和用電量。
[0044]本發(fā)明采集杭州市的四類數(shù)據(jù)。杭州市2015年的AQI(空氣質(zhì)量指數(shù)）、PM2.5 (Particulate Matter 2 · 5)、PM10(Particulate Matter 10)、S〇2(二氧化硫）、C0( -氧化 碳）、C02(二氧化碳）、03(臭氧)在中國空氣質(zhì)量在線監(jiān)測分析平臺網(wǎng)站收集，杭州市2015年 的平均氣溫、露點、相對濕度、壓強、風速、降水量在WEATHER UNDERGROUND網(wǎng)站收集，杭州市 2014年的機動車保有量、工業(yè)廢氣排放量和用電量在杭州信息統(tǒng)計網(wǎng)網(wǎng)站收集。
[0045]本發(fā)明中，收集到的四類樣本數(shù)據(jù)如表1:

[0048] 表1
[0049] 步驟2、第一 Elman神經(jīng)網(wǎng)絡(luò)初次預(yù)測PM2.5濃度值，過程如下：
[0050] 步驟2.1、創(chuàng)建一個包含輸入層、隱含層、連接層和輸出層的四層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱 含層和輸出層的節(jié)點數(shù)分別為6和1。所述隱含層的節(jié)點個數(shù)采用經(jīng)驗公式給出估計值，所 述經(jīng)驗公式如下：
[0051]
[0052] 式中:m和η分別為輸入層和輸出層的神經(jīng)元個數(shù)，a是[0，10]之間的常數(shù)；
[0053] 步驟2.2、分別設(shè)定隱含層、連接層和輸出層的訓(xùn)練函數(shù)、連接函數(shù)和輸出函數(shù)，所 述訓(xùn)練函數(shù)為Sigmoid函數(shù)，連接層和輸出層函數(shù)為purel in函數(shù)。設(shè)定網(wǎng)絡(luò)的期望誤差最 小值為HT5，最大迭代次數(shù)為IO4和學(xué)習率為〇. 1;
[0054]步驟2.3、將所述PM2.5濃度值歷史數(shù)據(jù)作為第一EIman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分成第一 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第一 Elman神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)兩部分，將所述第一 Elman神經(jīng)網(wǎng) 絡(luò)訓(xùn)練數(shù)據(jù)歸一化處理，歸一化公式如下：
[0055]
[0056] 式中：x為所述待歸一化的數(shù)據(jù)，Xmin和Xmax分別為所述新的樣本數(shù)據(jù)中的最小值和 最大值，y為歸一化后的數(shù)據(jù)，分布在[0. 1，0. 9 ]區(qū)間；
[0057] 步驟2.4、將所述第一 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到創(chuàng)建好的第一 Elman神經(jīng)網(wǎng) 絡(luò)中訓(xùn)練第一 Elman神經(jīng)網(wǎng)絡(luò)，計算誤差，根據(jù)誤差調(diào)整權(quán)值；
[0058]步驟2.5、判斷所述第一 Elman神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時， 算法收斂;或者達到最大迭代次數(shù)時結(jié)束算法，所述第一 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；
[0059]步驟2.6、將所述第一 Elman神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入所述訓(xùn)練好的第一 Elman神經(jīng) 網(wǎng)絡(luò)，得到初步PM2.5濃度值的預(yù)測值；
[0060]步驟2.7、將所述初步PM2.5濃度值的預(yù)測值與所述的PM2.5濃度值相關(guān)指標歷史 數(shù)據(jù)和氣象歷史數(shù)據(jù)合并作為第二BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)；
[0061 ] 步驟3、第二BP神經(jīng)網(wǎng)絡(luò)二次預(yù)測PM2.5濃度值，過程如下：
[0062]步驟3.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，分別設(shè)定隱含 層和輸出層的節(jié)點個數(shù)為12和1。
[0063] 步驟3.2、設(shè)定所述第二BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)為Sigmoid函數(shù)，設(shè)定網(wǎng)絡(luò)的期望 誤差最小值為10-5,最大迭代次數(shù)為IO4和學(xué)習率為0.1;
[0064]步驟3.3、將所述第二BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分成第二BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第二BP神 經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)，將所述第二BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理；
[0065]步驟3.4、將所訴歸一化后的第二BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到創(chuàng)建好的第二BP神 經(jīng)網(wǎng)絡(luò)中訓(xùn)練第二BP神經(jīng)網(wǎng)絡(luò)，計算誤差，根據(jù)誤差調(diào)整權(quán)值；
[0066]步驟3.5、判斷所述第二BP神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算 法收斂;或者達到最大迭代次數(shù)時結(jié)束算法，所述第二BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；
[0067]步驟3.6、將所述第二BP神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第二BP神經(jīng)網(wǎng) 絡(luò)中，輸出PM2.5濃度值的二次預(yù)測值，將所述PM2.5濃度值的二次預(yù)測值和PM2.5成分解析 數(shù)據(jù)合并作為第三BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)；
[0068] 步驟4、第三BP神經(jīng)網(wǎng)絡(luò)最終預(yù)測PM2.5濃度值，過程如下：
[0069]步驟4.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，分別設(shè)定隱含 層和輸出層的節(jié)點個數(shù)為4和1。
[0070] 步驟4.2、設(shè)定所述第三BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)為Sigmoid函數(shù)，設(shè)定網(wǎng)絡(luò)的期望 誤差最小值為1〇_ 5,最大迭代次數(shù)為IO4和學(xué)習率為0.1;
[0071] 步驟4.3、將所述第三BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分成第三BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第三BP神 經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)，將所述第三BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理；
[0072]步驟4.4、將所訴歸一化后的第三BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到創(chuàng)建好的第三BP神 經(jīng)網(wǎng)絡(luò)中訓(xùn)練第三BP神經(jīng)網(wǎng)絡(luò)，計算誤差，根據(jù)誤差調(diào)整權(quán)值；
[0073]步驟4.5、判斷所述第三BP神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算 法收斂;或者達到最大迭代次數(shù)時結(jié)束算法，所述第三BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；
[0074]步驟4.6、將所述第三神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第三BP神經(jīng)網(wǎng)絡(luò) 中，輸出PM2.5濃度值的最終預(yù)測值。
[0075] 根據(jù)以上操作得到PM2.5濃度倌的預(yù)測倌，如表2:
【主權(quán)項】
1. 一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，其特征在于:所述方法包括如下步 驟： 步驟1、四類樣本數(shù)據(jù)采集，所述四類樣本數(shù)據(jù)包括PM2.5濃度值歷史數(shù)據(jù)、PM2.5濃度 值相關(guān)指標歷史數(shù)據(jù)、氣象歷史數(shù)據(jù)和PM2.5成分解析數(shù)據(jù)； 步驟2、采用第一神經(jīng)網(wǎng)絡(luò)初次預(yù)測PM2.5濃度值。過程如下： 步驟2.1、創(chuàng)建一個包含輸入層、隱含層、連接層和輸出層的四層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層 和輸出層的節(jié)點數(shù)，所述隱含層的節(jié)點個數(shù)采用經(jīng)驗公式給出估計值，所述經(jīng)驗公式如下：上式中，m和η分別為輸入層和輸出層的神經(jīng)元個數(shù)，a是[0，10]之間的常數(shù)； 步驟2.2、分別設(shè)定隱含層、連接層和輸出層的訓(xùn)練函數(shù)、連接函數(shù)和輸出函數(shù)，設(shè)定網(wǎng) 絡(luò)的期望誤差最小值、最大迭代次數(shù)和學(xué)習率； 步驟2.3、將所述PM2.5濃度值歷史數(shù)據(jù)作為第一神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，并將第一神經(jīng)網(wǎng) 絡(luò)輸入數(shù)據(jù)分成第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第一神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)，將所述第一神經(jīng)網(wǎng)絡(luò)訓(xùn) 練數(shù)據(jù)歸一化處理，歸一化公式如下：上式中，X為所述待歸一化的數(shù)據(jù)，xmin和分別為所述新的樣本數(shù)據(jù)中的最小值和最 大值，y為歸一化后的數(shù)據(jù)，分布在[〇. 1，〇. 9 ]區(qū)間； 步驟2.4、將所述第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第一神經(jīng)網(wǎng)絡(luò)中訓(xùn)練第一神 經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第一神經(jīng)網(wǎng)絡(luò)權(quán)值； 步驟2.5、判斷所述第一神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法收斂。 在達到最大迭代次數(shù)時結(jié)束算法，所述第一神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成； 步驟2.6、將所述第一神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入所述訓(xùn)練好的第一神經(jīng)網(wǎng)絡(luò)，得到PM2.5 濃度值的初步預(yù)測值； 步驟2.7、將所述PM2.5濃度值的初步預(yù)測值與所述的PM2.5濃度值相關(guān)指標歷史數(shù)據(jù) 和氣象歷史數(shù)據(jù)合并作為第二神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)； 步驟3、采用第二神經(jīng)網(wǎng)絡(luò)二次預(yù)測PM2.5濃度值，過程如下： 步驟3.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和輸出 層的節(jié)點個數(shù)； 步驟3.2、設(shè)定所述第二神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，設(shè)定網(wǎng)絡(luò)的期望誤差最小值、最大迭代 次數(shù)和學(xué)習率； 步驟3.3、將所述第二神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)分為第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第二神經(jīng)網(wǎng)絡(luò) 測試數(shù)據(jù)，將所述第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理； 步驟3.4、將所述歸一化后的第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第二神經(jīng)網(wǎng)絡(luò)，并 且訓(xùn)練第二神經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第二神經(jīng)網(wǎng)絡(luò)權(quán)值； 步驟3.5、判斷所述第二神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法收斂。 在達到最大迭代次數(shù)時結(jié)束算法，所述第二神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成； 步驟3.6、將所述第二神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第二神經(jīng)網(wǎng)絡(luò)中，輸出 PM2.5濃度值的二次預(yù)測值，將所述PM2.5濃度值的二次預(yù)測值和PM2.5成分解析數(shù)據(jù)合并 作為第三神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)； 步驟4、采用第三神經(jīng)網(wǎng)絡(luò)最終預(yù)測PM2.5濃度值，過程如下： 步驟4.1、創(chuàng)建一個包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層和輸出 層的節(jié)點個數(shù)； 步驟4.2、設(shè)定所述第三神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，設(shè)定網(wǎng)絡(luò)的期望誤差最小值、最大迭代 次數(shù)和學(xué)習率； 步驟4.3、將所述第三神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分為第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和第三神經(jīng)網(wǎng)絡(luò)測試 數(shù)據(jù)，將所述第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進行歸一化處理； 步驟4.4、將所述歸一化后的第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)輸入到已創(chuàng)建的第三神經(jīng)網(wǎng)絡(luò)，并 訓(xùn)練第三神經(jīng)網(wǎng)絡(luò)，計算誤差，并根據(jù)誤差調(diào)整第三神經(jīng)網(wǎng)絡(luò)權(quán)值； 步驟4.5、判斷所述第三神經(jīng)網(wǎng)絡(luò)是否收斂，當誤差小于期望誤差最小值時，算法收斂； 在達到最大迭代次數(shù)時結(jié)束算法，所述第三神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成； 步驟4.6、將所述第三神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)輸入到所述訓(xùn)練完成的第三神經(jīng)網(wǎng)絡(luò)中，輸出 PM2.5濃度值的最終預(yù)測值。2.如權(quán)利要求1所述的一種基于混合神經(jīng)網(wǎng)絡(luò)的PM2.5濃度值預(yù)測方法，其特征在于： 所述步驟1中，所述PM2.5濃度值相關(guān)指標歷史數(shù)據(jù)包括空氣質(zhì)量指數(shù)AQI、PM10、S02、C0、C02 和〇3,所述氣象歷史數(shù)據(jù)包括平均氣溫、露點、相對濕度、壓強、風速和降水量，所述PM2.5成 分解析數(shù)據(jù)包括機動車保有量、工業(yè)廢氣排放量和用電量。
【文檔編號】G06N3/08GK106056210SQ201610401881
【公開日】2016年10月26日
【申請日】2016年6月7日
【發(fā)明人】付明磊, 王晨, 王荀
【申請人】浙江工業(yè)大學(xué)