结合自适应权重的MPC-LSTM空气质量预测方法技术

本发明专利技术提供了结合自适应权重的MPC

【技术实现步骤摘要】
结合自适应权重的MPC
‑
LSTM空气质量预测方法


[0001]本专利技术属于空气质量预测
，尤其涉及结合自适应权重的MPC
‑
LSTM空气质量预测方法。

技术介绍

[0002]在空气质量预测问题中，由于空气质量数据存在多元、多尺度的数据特征，且空气质量数据观测时间长，长期的预测需要考虑趋势信息；
[0003]目前在空气质量预测应用中，多数学者使用单一的预测模型进行预测，但是单一的预测模型往往存在自身的缺点，比如现有的RNN网络模型存在梯度消失和梯度爆炸的问题，LSTM网络存在模型复杂和训练时间长的问题，因此，亟需针对基于单一方法对空气质量预测时空气质量预测精度不佳的问题进行研究和改进，提出了一种新的组合网络模型预测方法。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了结合自适应权重的MPC
‑
LSTM空气质量预测方法，此方法结合了多尺度并行卷积融合网络、长短记忆神经网络和注意力机制，针对LSTM网络不能提取非连续数据特征的缺点，利用多尺度并行卷积融合网络(提取空气质量数据局部特征，然后将提取到的局部特征数据以时间序列格式输入LSTM网络，此种设计实现了对数据潜在特征关系的进一步挖掘，最后引入注意力机制，采用时序注意力机制对其分配时间注意力权重，以增强关键历史时刻信息的表达，获得加权后的综合时序信息，强化模型对特征关键时序信息的提取能力并进行学习预测。
[0005]本专利技术提供了结合自适应权重的MPC
>‑
LSTM空气质量预测方法，包括：
[0006]构建空气质量样本的数据集，并对所述数据集进行预处理；
[0007]构建MPC
‑
LSTM空气质量预测模型；
[0008]基于预处理后的所述数据集，对所述MPC
‑
LSTM空气质量预测模型进行训练；
[0009]基于训练后的所述MPC
‑
LSTM空气质量预测模型，对空气质量进行预测。
[0010]可选地，对所述数据集进行预处理包括：
[0011]对所述数据集进行异常数据处理；
[0012]将异常数据处理后的所述数据集进行归一化；
[0013]对归一化后的所述数据集进行数据重构。
[0014]可选地，所述异常数据处理包括：对所述数据集中的缺失数据进行填充，剔除掉异常数据和重复数据。
[0015]可选地，所述归一化为：
[0016][0017][0018]其中，为对应气象特征归一化后的数据，和分别为气象特征的最大值与最小值，y
nor
为空气质量指数归一化后的数据，y为原始空气质量指数，y
max
和y
min
分别为空气质量指数的最大值与最小值。
[0019]可选地，对所述MPC
‑
LSTM空气质量预测模型进行训练包括：
[0020]将所述数据集划分为训练集和测试集；
[0021]将所述训练集输入所述MPC
‑
LSTM空气质量预测模型，对预测模型进行训练，并在每次训练结束后，利用预测模型对所述测试集进行预测，采用反向传播算法进行预测模型训练；
[0022]基于损失函数最小为训练目标，采用Adam优化器对所述MPC
‑
LSTM空气质量预测模型中各层系数进行优化。
[0023]可选地，对所述MPC
‑
LSTM空气质量预测模型中各层系数进行优化的方式为：
[0024][0025][0026]其中，N为训练样本数，n为多步预测步长，和y
t+λ
分别为模型t时刻输出的第i个样本第λ步空气质量指数预测值和对应的真实值，L为单步损失函数，J为多步损失函数，M为使损失函数最小的一个参数。
[0027]可选地，所述MPC
‑
LSTM空气质量预测模型包括：多尺度并行卷积融合模块、LSTM网络模块和自适应权重模块；
[0028]通过所述多尺度并行卷积融合模块提取空气质量数据的时序特征，将所述时序特征以时间序列格式输入所述LSTM网络模块，所述LSTM网络模块基于所述时序特征进行学习预测，并利用所述自适应权重模块通过深度学习，输出所述MPC
‑
LSTM空气质量预测模型的最优权重。
[0029]可选地，所述多尺度并行卷积融合模块包括：两个一维卷积层和并行卷积层，其中所述并行卷积层的卷积核尺寸不同；
[0030]输入的数据经过所述并行卷积层进行数据特征的初步提取后，再使用ResNet的跳跃连接设计，使用第一一维卷积层将初步特征信息与并行卷积层信息融合并压缩，自适应提取特征信息，后将输出特征信息传递至第二一维卷积网络层。
[0031]可选地，所述自适应权重模块包括：Dense层和multiply层；
[0032]所述自适应权重模块通过所述Dense层为所述MPC
‑
LSTM空气质量预测模型的初始输出赋予权重矩阵，获取经过自适应权重处理后的输出，然后通过所述multiply层将所述初始输出和经过自适应权重处理后的输出进行线性相乘获取最终的空气质量预测值。
[0033]可选地，所述数据集中的空气质量数据包括：AQI指数、CO、NO2、O3、PM10、PM2.5、SO2的浓度；其中，AQI指数为预测变量。
[0034]与现有技术相比，本专利技术具有如下优点和技术效果：
[0035]本专利技术提出了结合自适应权重的MPC
‑
LSTM空气质量预测方法，针对其他组合模型
特征提取能力不强的缺点，构建了MPC
‑
LSTM空气质量预测模型，包括多尺度并行卷积融合网络、长短记忆神经网络和注意力机制三部分，用多尺度并行卷积融合网络来提取时序特征，然后将提取到的局部特征数据以时间序列格式输入LSTM网络，实现了对数据潜在特征关系的进一步挖掘，并利用自适应权重模块通过深度学习，为MPC
‑
LSTM模块的输出配权，选出最优权重，构建出最优的空气质量预测模型，从而提高空气质量预测精度。
附图说明
[0036]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0037]图1为本专利技术实施例的CNN模型预测效果示意图；
[0038]图2为本专利技术实施例的LSTM模型预测效果示意图；
[0039]图3为本专利技术实施例的RNN模型预测效果示意图；
[0040]图4为本专利技术实施例的CNN
‑
LSTM模型预测效果示意图；
[0041]图5为本专利技术实施例的MPC
‑
LSTM模型预测效果示意图；
[0042]图6为本专利技术实施例的CNN
‑
LSTM
‑
A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，包括：构建空气质量样本的数据集，并对所述数据集进行预处理；构建MPC
‑
LSTM空气质量预测模型；基于预处理后的所述数据集，对所述MPC
‑
LSTM空气质量预测模型进行训练；基于训练后的所述MPC
‑
LSTM空气质量预测模型，对空气质量进行预测。2.根据权利要求1所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述数据集进行预处理包括：对所述数据集进行异常数据处理；将异常数据处理后的所述数据集进行归一化；对归一化后的所述数据集进行数据重构。3.根据权利要求2所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，所述异常数据处理包括：对所述数据集中的缺失数据进行填充，剔除掉异常数据和重复数据。4.根据权利要求2所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，所述归一化为：所述归一化为：其中，为对应气象特征归一化后的数据，和分别为气象特征的最大值与最小值，y
nor
为空气质量指数归一化后的数据，y为原始空气质量指数，y
max
和y
min
分别为空气质量指数的最大值与最小值。5.根据权利要求1所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述MPC
‑
LSTM空气质量预测模型进行训练包括：将所述数据集划分为训练集和测试集；将所述训练集输入所述MPC
‑
LSTM空气质量预测模型，对预测模型进行训练，并在每次训练结束后，利用预测模型对所述测试集进行预测，采用反向传播算法进行预测模型训练；基于损失函数最小为训练目标，采用Adam优化器对所述MPC
‑
LSTM空气质量预测模型中各层系数进行优化。6.根据权利要求5所述的结合自适应权重的MPC
‑
LSTM空气质量预测方法，其特征在于，对所述MPC
‑
...

【专利技术属性】
技术研发人员：张凌涛，米全，严浩然，谢宇，陆民，王佳琪，冯艳艳，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：