一种PM2.5浓度预测方法及系统技术方案

本发明专利技术公开了一种PM2.5浓度预测方法及系统，主要涉及空气污染物浓度预测技术领域，首先搜集历史数据并对历史数据缺失值进行处理。处理完历史数据后再对它们进行特征选择，根据各特征之间表现出来的特征值设定相应的阈值进行特征选择。然后再对我们多要预测的污染物PM2.5浓度特征进行完全自适应噪声集合经验模态分解。最后将所分解出来的各本征模函数分别和上文所挑选出来的特征一起放入到门控循环单元神经网络中去训练，得出相应的预测结果，预测结果就是这几个本征模函数和残差的预测结果进行相加。本发明专利技术的PM2.5浓度预测的方法，其预测结果精准，并且运算量也尚可。并且运算量也尚可。并且运算量也尚可。

【技术实现步骤摘要】
一种PM2.5浓度预测方法及系统


[0001]本专利技术涉及空气污染物预测领域，更具体的说是涉及一种PM2.5浓度预测方法及系统。

技术介绍

[0002]世界卫生组织和联合国环境组织发表的一份报告说：“空气污染已成为全世界城市居民生活中一个无法逃避的现实。”大气中的有害气体和污染物达到一定浓度时，就会对人类和环境带来巨大灾难。对人体健康的危害——人体受害有三条途径，即吸入污染空气、表面皮肤接触污染空气和吸入含大气污染物的食物，除可引起呼吸道和肺部疾病外，还可对心血管系统、肝等产生危害，严重的可夺去人的生命。
[0003]空气污染其中最重要的一个指标就是PM2.5的浓度。又称细粒、细颗粒、PM2.5。细颗粒物指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。虽然PM2.5只是地球大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。准确预测PM2.5浓度能够让人们及时了解空气质量，这样就可以及时做出相应的措施，减少疾病发生的概率。选择与PM2.5关联度相关的特征对他们一起进行预测，这样子得到的预测效果会比单目标预测好很多。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于MIC
‑
CEEMDANr/>‑
GRU的PM2.5浓度预测方法及系统，克服了无法有效地选取与PM2.5相关的空气质量特征以及气象特征，克服了非线性之间的相关因素以及无法实行精准预测的问题。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种PM2.5浓度预测方法，包括如下具体步骤：
[0007]获取目标地方的空气质量监测数据和气象监测数据，并对空气质量监测数据和气象监测数据进行相应的预处理；
[0008]将预处理后的所有数据放入到最大信息系数模型中进行计算，得到最大信息系数；
[0009]将PM2.5浓度时间序列放入到完全自适应噪声集合经验模态分解模型中进行分解；
[0010]根据所述最大信息系数设定相应阈值来挑选相应的特征；
[0011]将分解后的各本征模函数以及残差和挑选出来的特征放入到门控循环神经网络进行训练预测；
[0012]将各预测的本征模函数以及残差进行相加得到最终的预测结果。
[0013]可选的，在上述的一种PM2.5浓度预测方法中，数据预处理具体步骤包括：
[0014]对采集到的空气质量监测数据和气象监测数据中的缺失值进行填充；
[0015]计算气温、体感温度、气压、相对湿度、降雨量、WSPD风速、AQI、PM10、NO2、SO2、O3、CO与PM2.5浓度序列的相关性，选择与PM2.5相关性大的因素作为输入最大信息系数模型的特征。
[0016]可选的，在上述的一种PM2.5浓度预测方法中，进行最大信息系数计算具体步骤包括：
[0017]给定两个变量x和y，MI定义为：
[0018][0019]其中p(x,y)是变量x和y之间的联合概率；
[0020]给定i、j，对XY构成的散点图进行i列j行网格化，并求出最大的互信息值；对最大的互信息值进行归一化；
[0021]选择不同尺度下互信息的最大值作为MIC值，下式给出了MIC的计算：
[0022][0023]其中a、b分别为x、y方向划分的格子数，本质上为网格分布，B是一个变量，B的大小为数据量的0.6次方。
[0024]可选的，在上述的一种PM2.5浓度预测方法中，进行PM2.5浓度时间序列分解具体步骤包括：
[0025]将高斯白噪声加入到待分解信号y(t)得到新信号y(t)+(
‑
1)
q
εv
j
(t)，对新信号进行EMD分解，得到第一阶本征模态分量C1：
[0026][0027]对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第一个本征模态分量：
[0028][0029]计算去除第一个模态分量后的残差：
[0030][0031]在r1(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到第一阶模态分量D1，由此得到CEEMDAN分解的第二个本征模态分量：
[0032][0033]计算去除第二个模态分量后的残差：
[0034][0035]重复上述步骤，直到获得的残差信号为单调函数，不能继续分解，算法结束，此时得到的本征模态分量数量为K，则原始信号y(t)被分解为：
[0036][0037]其中E
i
(
·
)为经过EMD分解后得到的第i个本征模态分量，CEEMDAN分解得到的第i个本征模态分量为v
j
为满足标准正态分布的第j次高斯白噪声信号，j＝1,2,3
……
N为加入白噪声的次数，ε为高斯噪声权值系数，y(t)为待分解信号。
[0038]可选的，在上述的一种PM2.5浓度预测方法中，门控循环神经网络进行预测具体步骤包括：
[0039]门控循环神经网络的单元结构只包含两个“门”：更新门和重置门；
[0040]门控制单元与sigmoid激活函数连接，门控制单元用于丢弃或者添加信息到细胞状态，sigmoid层输出单元用于输出0到1之间的数据，描述每个部分通过量及是否通过，其中0表示不让所有量通过，1表示让所有量通过。
[0041]可选的，在上述的一种PM2.5浓度预测方法中，所进行数据预测结果相加得到预测结果：
[0042][0043]其中，y为最终预测结果，n为测试集分解的个数，和r
k
'(t)为测试集的预测结果。
[0044]一种PM2.5浓度预测系统，包括：
[0045]获取模块，用于获取目标地方的空气质量监测数据和气象监测数据，并对空气质量监测数据和气象监测数据进行相应的预处理；
[0046]计算模块，将预处理后的所有数据放入到最大信息系数模型中进行计算，得到最大信息系数；
[0047]分解模块，将PM2.5浓度时间序列放入到完全自适应噪声集合经验模态分解模型中进行分解；
[0048]设置模块，根据所述最大信息系数设定相应阈值来挑选相应的特征；
[0049]预测模块，将分解后的各本征模函数以及残差和挑选出来的特征放入到门控循环神经网络进行训练预测；
[0050]输出模块，将各预测的本征模函数以及残差进行相加得到最终的预测结果。
[0051]可选的，在上述的一种PM2.5浓度预测系统中，所述计算模块包括：给定两个变量x和y，MI定义为：
[0052][0053]其中p(x,y)是变量x和y之间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PM2.5浓度预测方法，其特征在于，包括如下具体步骤：获取目标地方的空气质量监测数据和气象监测数据，并对空气质量监测数据和气象监测数据进行相应的预处理；将预处理后的所有数据放入到最大信息系数模型中进行计算，得到最大信息系数；将PM2.5浓度时间序列放入到完全自适应噪声集合经验模态分解模型中进行分解；根据所述最大信息系数设定相应阈值来挑选相应的特征；将分解后的各本征模函数以及残差和挑选出来的特征放入到门控循环神经网络进行训练预测；将各预测的本征模函数以及残差进行相加得到最终的预测结果。2.根据权利要求1所述的一种PM2.5浓度预测方法，其特征在于，数据预处理具体步骤包括：对采集到的空气质量监测数据和气象监测数据中的缺失值进行填充；计算气温、体感温度、气压、相对湿度、降雨量、WSPD风速、AQI、PM10、NO2、SO2、O3、CO与PM2.5浓度序列的相关性，选择与PM2.5相关性大的因素作为输入最大信息系数模型的特征。3.根据权利要求1所述一种PM2.5浓度预测方法，其特征在于，进行最大信息系数计算具体步骤包括：给定两个变量x和y，MI定义为：其中p(x,y)是变量x和y之间的联合概率；给定i、j，对XY构成的散点图进行i列j行网格化，并求出最大的互信息值；对最大的互信息值进行归一化；选择不同尺度下互信息的最大值作为MIC值，下式给出了MIC的计算：其中a、b分别为x、y方向划分的格子数，本质上为网格分布，B是一个变量，B的大小为数据量的0.6次方。4.根据权利要求1所述一种PM2.5浓度预测方法，其特征在于，进行PM2.5浓度时间序列分解具体步骤包括：将高斯白噪声加入到待分解信号y(t)得到新信号y(t)+(
‑
1)
q
εv
j
(t)，对新信号进行EMD分解，得到第一阶本征模态分量C1：E(y(t)+(
‑
1)
q
εv
j
(t))＝C
1j
(t)+r
j
；对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第一个本征模态分量：计算去除第一个模态分量后的残差：
在r1(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到第一阶模态分量D1，由此得到CEEMDAN分解的第二个本征模态分量：计...

【专利技术属性】
技术研发人员：吴晓璇，朱俊，
申请(专利权)人：合肥学院，
类型：发明
国别省市：