基于OcE的PM2.5浓度预测方法技术

本发明专利技术公开了基于OcE的PM

【技术实现步骤摘要】
基于OcE的PM2.5浓度预测方法
本专利技术本专利技术涉及在线学习、集成学习和神经网络技术，属于计算机应用
，尤其涉及一种基于OcE的PM2.5浓度预测方法。
技术介绍
本专利技术以最受关注的空气污染物——细颗粒物(即PM2.5)浓度为主要研究对象。中国快速的城市化和工业化带来了严重的空气污染。PM2.5是最有害的空气污染物之一，它由空气动力学直径小于2.5μm的空气传播颗粒组成。长期暴露于高浓度PM2.5中会严重危害人类健康，例如肺气肿，肺部疾病，肺癌和鼻癌的风险更高。此外，长期高浓度的PM2.5会逐渐降低城市的人才吸引力，侵蚀城市经济增长，降低区域竞争力等。改善空气质量和降低PM2.5的浓度是非常困难的，它们不可能在短时间内得到完全解决。时间稳定的且高精度的PM2.5浓度预测器不仅有助于政府做出正确的决策和采取措施(例如，限制交通以减少向大气排放的废气)，还可以帮助人们计划出行。因此，迫切需要这样的PM2.5浓度预测模型。迄今为止，PM2.5浓度预测模型大致分为两类。一类是基于大气扩散模拟的机理预报器。尽管具有良好的解释性，但机理预测因子总是过分简化PM2.5的形成过程和环境，因此在分析和预测PM2.5浓度方面存在局限性。另一类是数据驱动的模型，可以进一步分为线性和非线性PM2.5浓度预报器。线性函数近似拟合非线性函数，在建模PM2.5浓度的复杂非线性关系时面临着严峻的挑战。在非线性预报器方面，Zhou等人(2019)[Y.Zhou,F.-J.Chang,L.-C.Chang,I-F.K.,Y.-S.Wang.Exploreadeeplearningmulti-outputneuralnetworkforregionalmulti-step-aheadairqualityforecasts.JournalofCleanerProduction,vol.209,pp.134-145,Feb.2019.],[Y.Zhou,F.-J.Chang,L.-C.Chang,I-F.Kao,Y.-S.Wang,C.-C.Kang.Multi-outputsupportvectormachineforregionalmulti-step-aheadPM2.5forecasting,ScienceoftheTotalEnvironment,vol.651,pp.230-240,2019.]提出了两个PM2.5浓度多步超前预测模型，它们属于带有外源输入的非线性自回归(NonlinearAuto-RegressivewitheXogenousinput,NARX)模型。Shang等人(2019)[Z.Shang,T.Deng,J.He,X.Duan.AnovelmodelforhourlyPM2.5concentrationpredictionbasedonCARTandEELM.ScienceoftheTotalEnvironment,vol.651,pp.3043-3052,2019.]提出了一个不完整的非线性时间序列模型。已发表的PM2.5浓度预测模型中，具有学习大规模数据的优势的是基于将非线性时间序列模型与机器学习算法相结合的混合方法。但是，PM2.5浓度会随着时间而变化，而这些预测模型大都利用离线学习策略，难以在持续增加的数据中进行更新。
技术实现思路
为了提高PM2.5浓度预测的时间稳定性和泛化性，本专利技术提出了基于OcE的PM2.5浓度预测方法，为面向大规模且持续增加的空气质量数据建立时间稳定性和泛化性更高的PM2.5预测模型提供一种新的思路和方法。技术方案如下：一种基于OcE的PM2.5浓度预测方法，步骤如下：第一步:使用ONAR模型来描述PM2.5数据流的动态特性，搭建在线PM2.5浓度预测模型框架；基于ONAR的PM2.5浓度预测模型包括两部分：一部分是NAR时间序列模型，其数学表达式如下：PM2.5(t+1)＝f(PM2.5(t)，PM2.5(t-1)，…，PM2.5(t-p)),(1)其中PM2.5(t+1)，PM2.5(t)，PM2.5(t-1)，…，PM2.5(t-p)表示PM2.5浓度时间序列，时间单位是小时；PM2.5·(t+1)表示下一小时的PM2.5浓度；PM2.5(t)表示当前PM2.5浓度；PM2.5(t-1),PM2.5(t-2),…,PM2.5(t-p)是前1,2,…,p个小时的PM2.5浓度，p+1表示自回归的阶数，选取若干个候选值p+1＝1,2,3,4,…分别建立基于ONAR的PM2.5浓度预测模型，选取使得PM2.5浓度预测精度最高的p+1候选值最为p+1的最终值，f(·)表示非线性映射函数；另外一部分是初代NAR模型的建立过程以及后代NAR模型的在线更新过程；第二步:利用EnsMDOS-ELM递归学习每一代NAR模型的非线性函数，利用GEM融合规则获得每一代MDOS-ELM子模型的权重；第三步:综合执行第一步～第二步，获得基于OcE的PM2.5浓度预测模型；第四步：设计OcE预测模型时间稳定性的检测方法，即任何当前NAR-EnsMDOS-ELM模型预测未来几年的每小时PM2.5浓度。进一步的，第一步的初代NAR模型的建立过程以及后代NAR模型的在线更新过程，实现过程为：PM2.5数据按时间顺序不断产生；根据时间顺序，使用历史周期内的PM2.5数据构造初代样本块建立初代NARPM2.5浓度预测模型令后代NAR模型的更新周期为当累计了第1个更新周期的样本后构造第1代样本块更新获得第一代NARPM2.5浓度预测模型当累计了第2个更新周期的样本后构造第2代样本块更新获得第一代NARPM2.5浓度预测模型以此类推，不断获得新的样本块并更新模型；分别准备和候选集，即年,2年,3年；年,1年，产生了6种组合：分别在每种组合下建立并测试基于OcE的PM2.5浓度预测模型，挑选预测性能最好的组合。进一步的，第二步的EnsMDOS-ELM是指以MDOS-ELM为基学习机的集成方法，获得EnsMDOS-ELM的过程，包括：EnsMDOS-ELM模型集成了一组具有递归学习能力的且各不相同的MDOS-ELM子模型，EnsMDOS-ELM模型主要包括两个环节：第一个环节是训练各代MDOS-ELM子模型，每一个初代MDOS-ELM子模型都建立在初代样本块上；令表示初代EnsMDOS-ELM中的第i个子模型，其中M表示EnsMDOS-ELM中子模型的总数；当获得第1代样本块后，第1代MDOS-ELM子模型通过递归学习的方式从自其初代子模型更新获得；当获得第2代样本块后，第2代MDOS-ELM子模型通过递归学习的方式从自第1初代子模型更新获得；第二个环节是使用Perrone和Cooper定义的GEM融合规则计算每一代MDOS-ELM子模型的权重；每一代子模型的权重都随着新样本块进行动态调整。4.根据权利要求3所述的基于OcE的PM2.5浓度预测方法，其特征在于：第四步的OcE预测模型时间稳定性的检验过本文档来自技高网...

【技术保护点】
1.一种基于OcE的PM

【技术特征摘要】
1.一种基于OcE的PM2.5浓度预测方法，其特征在于，步骤如下：
第一步：使用ONAR模型来描述PM2.5数据流的动态特性，搭建在线PM2.5浓度预测模型框架；基于ONAR的PM2.5浓度预测模型包括两部分：
一部分是NAR时间序列模型，其数学表达式如下：
PM2.5(t+1)＝f(PM2.5(t)，PM2.5(t-1)，…，PM2.5(t-p))，(1)
其中PM2.5(t+1)，PM2.5(t)，PM2.5(t-1)，…，PM2.5(t-p)表示PM2.5浓度时间序列，时间单位是小时；PM2.5·(t+1)表示下一小时的PM2.5浓度；PM2.5(t)表示当前PM2.5浓度；PM2.5(t-1)，PM2.5(t-2)，…，PM2.5(t-p)是前1，2，…，p个小时的PM2.5浓度，p+1表示自回归的阶数，选取若干个候选值p+1＝1，2，3，4，…分别建立基于ONAR的PM2.5浓度预测模型，选取使得PM2.5浓度预测精度最高的p+1候选值最为p+1的最终值，f(·)表示非线性映射函数；
另外一部分是初代NAR模型的建立过程以及后代NAR模型的在线更新过程；
第二步：利用EnsMDOS-ELM递归学习每一代NAR模型的非线性函数，利用GEM融合规则获得每一代MDOS-ELM子模型的权重；
第三步：综合执行第一步～第二步，获得基于OcE的PM2.5浓度预测模型；
第四步：设计OcE预测模型时间稳定性的检测方法，即任何当前NAR-EnsMDOS-ELM模型预测未来几年的每小时PM2.5浓度。


2.根据权利要求1所述的基于OcE的PM2.5浓度预测方法，其特征在于：第一步的初代NAR模型的建立过程以及后代NAR模型的在线更新过程，实现过程为：PM2.5数据按时间顺序不断产生；
根据时间顺序，使用历史周期内的PM25数据构造初代样本块建立初代NARPM2.5浓度预测模型令后代NAR模型的更新周期为当累计了第1个更新周期的样本后构造第1代样本块更新获得第一代NARPM2.5浓度预测模型当累计了第2个更新周期的样本后构造第2代样本块更新获得第一代NARPM2.5浓度预测模型以此类推，不断获得新的样本块并更新模型；
分别准备和候选集，即产生了6种组合：分别在每种组合下建立并测试基于OcE的PM2.5浓度预测模型，挑选预测性能最好的组合。


3.根据权利要求2所述的基于OcE的PM2.5浓度预测方法，其特征在于：第二步的EnsMDOS-ELM是指以MDOS-ELM为基学...

【专利技术属性】
技术研发人员：王晓军，杨小明，
申请(专利权)人：东北财经大学，
类型：发明
国别省市：辽宁;21