本发明专利技术公开了一种基于神经网络的PM2.5实时等级预测方法，采集空气中的污染物指标PM2.5、O3、CO、PM10、SO2、NO2的历史浓度值和大气温度、湿度、风力等大气历史值，以历史数据为训练集对神经网络模型进行训练，构建基于神经网络的综合大气指标的神经网络预测模型；由移动设备端向服务器发送PM2.5等级实时请求，将实时获取的污染指标和大气指标为测试数据代入神经网络预测模型进行预测并推送。本发明专利技术的一种基于神经网络的PM2.5实时等级预测方法为PM2.5监测点较少或没有PM2.5监测点城市的移动端用户提供PM2.5等级查询，降低了PM2.5预测成本，可以同时进行天和小时的实时预测，具有较好的通用性。
【技术实现步骤摘要】
本专利技术涉及环境污染预测领域，特别涉及一种基于神经网络的PM2.5实时等级预测方法和系统。
技术介绍
PM是英文particulatematter(颗粒物)的首字母缩写。PM2.5指空气中动力学当量直径小于等于2.5微米的颗粒物。PM2.5对环境的污染已经对人们的生活产生了巨大的影响。PM2.5的计算方法主要采用物理方法，PM2.5监测成本较高，故目前在我国，PM2.5观测点较少，大多数城市没有观测点。目前，对PM2.5预测分析的研究较多，预测方法大多采用线性方法。如基于基因表达式、Logistic回归模型，主要采用线性模型预测方法，可以有效预测PM2.5的浓度值。但经过分析，影响PM2.5的污染物及大气因素往往具有非线性特征，线性模型不能很好的模拟。也有研究人员采用神经网络对PM2.5进行预测。由于神经网络是一种统计学模型，具有较好的泛化能力，能够较好的模拟污染物及大气因素变化过程，所以很多研究人员选择用神经网络进行模拟预测有一定的进展，但由于预测指标较少，预测准确率较低。考虑对PM2.5有影响的不仅是污染物，大气因素有可能也会对PM2.5产生影响，有研究人员对其它可能对PM2.5产生影响的大气因素做分析，分析了不同指标因素对PM2.5预测的影响，但缺少对具体的PM2.5等级预测的算法模型，和对移动端用户提供服务的应用。同时，对监测点较少或者没有监测点的城市，无法对移动端用户提供实时查询服务。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于神经网络的PM2.5实时等级预测方法，提取成本较低，以较容易获取的污染物与大气因素为综合指标按天或小时建立预测模型。同时，可以为移动端用户提供实时预测服务。该方法方便移动端用户进行PM2.5实时查询，降低预测成本的同时，建立了按天和小时通用的PM2.5预测模型。为实现上述目的，本专利技术提供以下的技术方案：一种基于神经网络的PM2.5实时等级预测方法，包括如下步骤：(1)采集空气中的污染物离线历史指标PM2.5、O3、CO、PM10、SO2、NO2的浓度值，构建污染物系数矩阵PM:其中,污染物系数矩阵PM第一列表示为：为统计天数的所有PM2.5的值，按照表1等级进行划分；其余列表示为：Si＝(S1i…Smi)T,i＝1,…5，是O3、CO、PM10、SO2、NO2浓度值；其中m为统计天数或小时数；(2)采集空气温度、湿度、风力三个大气离线历史指标，并与空气中的污染物指标相结合，给出综合系数矩阵PMA:综合系数矩阵PMA与污染物系数矩阵PM不同点在于加入了环境系数矩阵Q，Qmi矩阵是新加入的温度、湿度、风力三个大气指标矩阵，其中m为统计天数，i＝1…3，表示温度、湿度、风力三个指标；(3)采用皮尔逊相关系数的方法，把综合系数矩阵PMA中的O3浓度值、CO浓度值、PM10浓度值、SO2浓度值、NO2浓度值和空气温度指标、湿度指标、风力指标分别代入pearson相关系数计算指标间相似度的计算方法公式(3)所示：其中sim(X,Y)代表X、Y两个指标间的相似度，i代表某种指标的第i个样本，n为样本总数；(4)采用皮尔逊相关系数的方法，把PMA中数据代入公式(3)，对PMA中的指标进行合并，合并后的综合指标矩阵为PMA’其中，为统计天数的所有PM2.5的值，按照表1等级进行划分；Si＝(S1i…Smi)T，i≤5，是O3、CO、PM10、SO2、NO2进行指标合并后的浓度值；Qi＝(Q1i…Qmi)T，i≤3，是温度、湿度、风力指标合并后的值；其中m为统计天数或小时数。(5)用离线数据作训练集训练神经网络，建立基于神经网络的PM2.5预测模型。将择PM、PMA、PMA’作为神经网络的输入层数据集，由BP神经网络模型进行预测：其中输入层神经元将输入的数据传递到隐含层，再由隐含层将数据激活放大后传递到输出层并由输出层输出；其中，输入层与隐含层之间的激励函数采用S函数，如公式(5)所示：当实际误差超出期望误差时，误差值沿网络反向传播修改各神经元之间的连接权值和阈值，重复训练网络，直至满足期望误差，确定输入与输出之间的映射关系。本专利技术中别选择PM、PMA、PMA’矩阵为输入数据，PM2.5等级预测值为输出进行实验映射；(6)由移动端向服务器发送PM2.5实时查询请求，用户可选择查询实时“天”或者实时“小时”进行查询；(7)服务器获取移动端当前时间；(8)根据步骤(4)中合并后的指标体系和步骤(7)中获取的移动端当前时间，实时采集污染物指标和大气指标；(9)将步骤(8)中的数据代入步骤(5)，预测实时PM2.5值；(10)将预测结果实时推送至移动端用户。本专利技术还给出了一种基于神经网络的PM2.5实时等级预测系统，包括：数据采集模块，收集污染物指标和大气指标，所述的污染物指标包括O3浓度值、CO浓度值、PM10浓度值、SO2浓度值、NO2浓度值，所述的大气指标包括空气温度、湿度和风力；数据处理模块，基于污染物指标和大气指标构建污染物系数矩阵PM和综合系数矩阵PMA，再对污染物指标和大气指标分别利用pearson相关系数指标间相似度的计算，进行指标合并，合并后，得到综合指标系数矩阵PMA’；模型拟合模块，将择污染物系数矩阵PM、综合系数矩阵PMA，综合指标系数矩阵PMA’，分别作为神经网络的输入层数据集，由BP神经网络模型进行预测；模型评价模块，采用准确率P作为评价标准，如公式(6)所示：其中，P为准确率，pmi为每种类别正确预测的值的个数；M为PM2.5值实际数据样本量。作为上述方案的进一步优化，建污染物系数矩阵PM：采集空气中的污染物指标PM2.5、O3、CO、PM10、SO2、NO2的浓度值，构建污染物系数矩阵PM:其中,污染物系数矩阵PM第一列表示为：为统计天数的所有PM2.5的值，按照表1等级进行划分；其余列表示为：Si＝(S1i…Smi)T,i＝1,…5，是O3浓度值、CO浓度值、PM10浓度值、SO2浓度值和NO2浓度值。作为上述方案的进一步优化，结合大气指标参数：空气温度、湿度和风力，与空气中的污染物指标相结合，给出综合系数矩阵PMA:综合系数矩阵PMA与污染物系数矩阵PM不同点在于加入了环境系数矩阵Q，环境系数矩阵Q各列可表示为：Qi＝(Q1i…Qmi)T,i＝1,…3，是加入的温度、湿度、风力三个大气指标。作为上述方案的进一步优化，采用皮尔逊相关系数的方法，把综合系数矩阵PMA中的O3浓度值、CO浓度值、PM10浓度值、SO2浓度值、NO2浓度值和空气温度指标、湿度指标、风力指标分别代入pearson相关系数计算指标间相似度的计算方法公式(3)，进行指标合并，合并后的综合指标系数矩阵PMA’，如公式(4)所示；其中，sim(X,Y)代表X、Y两个指标间的相似度，i代表某种指标的第i个样本，n为样本总数。作为上述方案的进一步优化，BP神经网络模型进行预测，输入层神经元将输入的数据，传递到隐含层，再由隐含层将数据激活放大后传递到输出层并由输出层输出；其中，输入层与隐含层之间的激励函数采用S函数，如公式(5)所示：当实际误差超出期望误差时，误差值沿网络反向传播修改各神经元之间的连接权值和阈值，重复训练网络，直至满足期望误差，确定输入与输出之间的映射关系。与现有技本文档来自技高网...
【技术保护点】
一种基于神经网络的PM2.5实时等级预测方法，其特征在于：(1)采集空气中的污染物离线历史指标PM2.5、O3、CO、PM10、SO2、NO2的浓度值，构建污染物系数矩阵PM:PM=p1s11...s15.........pmsm1...sm5---(1)]]>其中,污染物系数矩阵PM第一列表示为：为统计天数的所有PM2.5的值，按照表1等级进行划分；其余列表示为：Si＝(S1i…Smi)T,i＝1,…5，是O3、CO、PM10、SO2、NO2浓度值；其中m为统计天数或小时数；(2)采集空气温度、湿度、风力三个大气离线历史指标，并与空气中的污染物指标相结合，给出综合系数矩阵PMA:PMA=P1S11′...S15′Q11′Q12Q13′.....................PmSm1′...Sm5′Qm1′Qm2Qm3′---(2)]]>综合系数矩阵PMA与污染物系数矩阵PM不同点在于加入了环境系数矩阵Q，Qmi矩阵是新加入的温度、湿度、风力三个大气指标矩阵，其中m为统计天数，i＝1…3，表示温度、湿度、风力三个指标；(3)采用皮尔逊相关系数的方法，把综合系数矩阵PMA中的O3浓度值、CO浓度值、PM10浓度值、SO2浓度值、NO2浓度值和空气温度指标、湿度指标、风力指标分别代入pearson相关系数计算指标间相似度的计算方法公式(3)所示：sim(X,Y)=Σi=1n(Xi-X‾)(Yi-Y‾)Σi=1n(Xi-X‾)2Σi=1n(Yi-Y‾)2---(3)]]>其中sim(X,Y)代表X、Y两个指标间的相似度，i代表某种指标的第i个样本，n为样本总数；(4)采用皮尔逊相关系数的方法，把PMA中数据代入公式(3)，对PMA中的指标进行合并，合并后的综合指标矩阵为PMA’PMA′=P1S11′...S1n′Q11′...Q1i′.....................PmSm1′...Smn′Qm1′...Qmi′---(4)]]>其中，为统计天数的所有PM2.5的值，按照表1等级进行划分；Si＝(S1i…Smi)T，i≤5，是O3、CO、PM10、SO2、NO2进行指标合并后的浓度值；Ｑi＝(Q1i…Qmi)T,i≤3，是温度、湿度、风力指标合并后的值；其中m为统计天数或小时数；(5)用离线数据作训练集训练神经网络，建立基于神经网络的PM2.5预测模型：将择PM、PMA、PMA’作为神经网络的输入层数据集，由BP神经网络模型进行预测：其中输入层神经元将输入的数据传递到隐含层，再由隐含层将数据激活放大后传递到输出层并由输出层输出；其中，输入层与隐含层之间的激励函数采用S函数，如公式(5)所示：f(x)=11+e-x---(5)]]>当实际误差超出期望误差时，误差值沿网络反向传播修改各神经元之间的连接权值和阈值，重复训练网络，直至满足期望误差，确定输入与输出之间的映射关系。本专利技术中别选择PM、PMA、PMA’矩阵为输入数据，PM2.5等级预测值为输出进行实验映射。...
【技术特征摘要】
1.一种基于神经网络的PM2.5实时等级预测方法，其特征在于：(1)采集空气中的污染物离线历史指标PM2.5、O3、CO、PM10、SO2、NO2的浓度值，构建污染物系数矩阵PM:PM=p1s11...s15.........pmsm1...sm5---(1)]]>其中,污染物系数矩阵PM第一列表示为：为统计天数的所有PM2.5的值，按照表1等级进行划分；其余列表示为：Si＝(S1i…Smi)T,i＝1,…5，是O3、CO、PM10、SO2、NO2浓度值；其中m为统计天数或小时数；(2)采集空气温度、湿度、风力三个大气离线历史指标，并与空气中的污染物指标相结合，给出综合系数矩阵PMA:PMA=P1S11′...S15′Q11′Q12Q13′.....................PmSm1′...Sm5′Qm1′Qm2Qm3′---(2)]]>综合系数矩阵PMA与污染物系数矩阵PM不同点在于加入了环境系数矩阵Q，Qmi矩阵是新加入的温度、湿度、风力三个大气指标矩阵，其中m为统计天数，i＝1…3，表示温度、湿度、风力三个指标；(3)采用皮尔逊相关系数的方法，把综合系数矩阵PMA中的O3浓度值、CO浓度值、PM10浓度值、SO2浓度值、NO2浓度值和空气温度指标、湿度指标、风力指标分别代入pearson相关系数计算指标间相似度的计算方法公式(3)所示：sim(X,Y)=Σi=1n(Xi-X‾)(Yi-Y‾)Σi=1n(Xi-X‾)2Σi=1n(Yi-Y‾)2---(3)]]>其中sim(X,Y)代表X、Y两个指标间的相似度，i代表某种指标的第i个样本，n为样本总数；(4)采用皮尔逊相关系数的方法，把PMA中数据代入公式(3)，对PMA中的指标进行合并，合并后的综合指标矩阵为PMA’PMA′=P1S11′...S1n′Q11′...Q1i′.....................PmSm1′...Smn′Qm1′...Qmi′---(4)]]>其中，为统计天数的所有PM2.5的值，按照表1等级进行划分；Si＝(S1i…Smi)T，i≤5，是O3、CO、PM10、SO2、NO2进行指标合并后的浓度值；Ｑi＝(Q1i…Qmi)T,i≤3，是温度、湿度、风力指标合并后的值；其中m为统计天数或小时数；(5)用离线数据作训练集训练神经网络，建立基于神经网络的PM2.5预测模型：将择PM、PMA、PMA’作为神经网络的输入层数据集，由BP神经网络模型进行预测：其中输入层神经元将输入的数据传递到隐含层，再由隐含层将数据激活放大后传递到输出层并由输出层输出；其中，输入层与隐含层之间的激励函数采用S函数，如公式(5)所示：f(x)=11+e-x---(5)]]>当实际误差超出期望误差时，误差值沿网络反向传播修改各神经元之间的连接权值和阈值，重复训练网络，直至满足期望误差，确定输入与输出之间的映射关系。本发明中别选择PM、PMA、PMA’矩阵为输入数据，PM2.5等级预测值为输出进行实验映射。2.根据权利要求1所述的一种基于神经网络的PM2.5实时等级预测方法，其特征在于：还包括如下步骤：(6)由移动端向服务器发送PM2.5实时查询请求，用户可选择查询实时“天”或者实时“小时”进行查询；(7)服务器获取移动端当前时间；(8)根据步骤(4)中合并后的指标体系和步骤(7)中获取的移动端当前时间，实时采集污染物指标和大气指标；(9)将步骤(8)中的数据代入步骤(5)，预测实时PM2.5值；(10)将预测结果实时推送至移动端用户。3.一种基于神经网络的PM2.5实...
【专利技术属性】
技术研发人员：张怡文，敖希勤，汪强，周昊，贾冀，时培俊，郭傲东，费久龙，陈家丽，
申请(专利权)人：安徽新华学院，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。