基于邻近空间数据主成分要素的空气质量预测方法和系统技术方案

本发明专利技术涉及一种基于邻近空间数据主成分要素的空气质量预测方法和系统，首先获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。

Air quality prediction method and system based on principal component elements of adjacent spatial data

【技术实现步骤摘要】
基于邻近空间数据主成分要素的空气质量预测方法和系统
本专利技术涉及空气质量预测
，尤其涉及一种基于邻近空间数据主成分要素的空气质量预测方法和系统。
技术介绍
近年来，随着人们对生活环境关注程度的不断提升，空气质量预报已经成为和天气预报一样重要程度的生活出行指南，同时精确的空气质量预报信息可以指导有关部门合理应对可能出现的极端天气情况，避免严重的经济损失和恶劣的社会影响发生的情况。具体地，空气质量预测与天气预测需要考虑的因素不尽相同，简单来说，天气预测需要从跨区域、跨国别这样的大尺度范围来评估天气的变化情况，局部的区域属性对于天气变化情况产生的影响程度很小。但空气质量预测不需要做跨国别、甚至是跨省份这样尺度的信息分析，相对应的，待预测区域的空气质量变化更加能够反映待预测区域的空气质量的变化趋势，具有合理性。因此，如何通过相邻区域来精确地对待预测区域的空气质量进行预测是亟待解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供了一种基于邻近空间数据主成分要素的空气质量预测方法和系统。本专利技术的一种基于邻近空间数据主成分要素的空气质量预测方法的技术方案如下：包括如下步骤：S1、预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据；S2、将所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；S3、将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；所述监测数据至少包括所述当前空气质量数据。本专利技术的一种基于邻近空间数据主成分要素的空气质量预测方法的有益效果如下：首先获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。在上述方案的基础上，本专利技术的一种基于邻近空间数据主成分要素的空气质量预测方法还可以做如下改进。进一步，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。采用上述进一步方案的有益效果是：通过具有多个种类的监测数据，提高所构建出的映射关系的准确性。进一步，S2具体包括如下步骤：S20、将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；S21、根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。采用上述进一步方案的有益效果是：给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。进一步，S20中还包括如下步骤：利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练；S3中还包括如下步骤：利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。采用上述进一步方案的有益效果是：一方面，利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，减小计算量，能快速预测出待预测区域在未来第一预设时间内的空气质量数据。进一步，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。采用上述进一步方案的有益效果是：一方面，在多层感知神经网络结构使用三层隐含层，可降低误差；另一方面，设置三层隐含层中的隐藏节点分别为20个、10个和5个，可避免出现“过拟合”，且可满足精度要求。本专利技术的一种基于邻近空间数据主成分要素的空气质量预测系统的技术方案如下：包括构建模块和预测模块；所述构建模块用于预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据，将用于所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；所述预测模块用于将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；所述监测数据至少包括所述当前空气质量数据。本专利技术的一种基于邻近空间数据主成分要素的空气质量预测系统的有益效果如下：首先构建模块获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，预测模块再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。在上述方案的基础上，本专利技术的一种基于邻近空间数据主成分要素的空气质量预测系统还可以做如下改进。进一步，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。采用上述进一步方案的有益效果是：通过具有多个种类的监测数据，提高所构建出的映射关系的准确性。进一步，还包括：还包括：所述构建模块将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；且所述根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。采用上述进一步方案的有益效果是：给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。进一步，还包括预处理模块，所述预处理模块利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练，所述预处理模块还利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。采用上述进一步方案的有益效果是：一方面，预处理模块利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，预处理模块利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对本文档来自技高网...

【技术保护点】
1.一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，包括如下步骤：/nS1、预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据；/nS2、将所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；/nS3、将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；/n所述监测数据至少包括所述当前空气质量数据。/n

【技术特征摘要】
1.一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，包括如下步骤：
S1、预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据；
S2、将所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；
S3、将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；
所述监测数据至少包括所述当前空气质量数据。


2.根据权利要求1所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。


3.根据权利要求2所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，S2具体包括如下步骤：
S20、将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；
S21、根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。


4.根据权利要求3所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，
S20中还包括如下步骤：利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练；
S3中还包括如下步骤：利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。


5.根据权利要求1至4任一项所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。<...

【专利技术属性】
技术研发人员：王璐璐，华思洋，
申请(专利权)人：北京蛙鸣信息科技发展有限公司，
类型：发明
国别省市：北京;11