[发明专利]一种基于非线性理论的PM2.5预测与预警方法及系统

权利要求书

1.一种基于非线性理论的PM2.5预测与预警方法，其特征是，包括：

模型训练步骤和模型预测步骤；

针对PM_2.5浓度时序数据分为两组，分别作为训练时序数据集及测试时序训练集；

对所述训练时序数据集的数据进行S级小波分解，进行时频分析，将一维信息扩展为高维信息，提取PM_2.5历史数据的隐含信息，得到训练时序指标数据集；

然后构造基于多级残差修正的非线性最小二乘支持向量回归MLRC-LSSVR的预测模型；

对MLRC-LSSVR模型进行训练；所述模型训练步骤：

步骤1：对训练数据集中X_train进行coifN小波变换，得到m层高维输入训练矩阵X′_train＝{X′_train，1，X′_train，2，...X′_train，n-1}，其中，构造LSSVR模型训练数据集(X′_train,Y_train)∈R^(n-1)×(m+2)；

步骤2：基于训练数据集(X′_train,Y_train)对LSSVR模型进行训练，训练过程采用搜索效率较高的simplex方法和10折交叉验证，优化搜索LSSVR的高斯核函数关键参数，并得到LSSVR训练终值Y′_train；

步骤3：计算LSSVR训练终值Y′_train与Y_train之间的R²相关系数R²(Y′_train,Y_train)；

步骤4：如果R²相关系数R²(Y′_train,Y_train)小于预设的R²相关系数阈值，则计算训练残差向量并构造残差训练数据集(X′_train,Y_train＝Y_train-Y′_train)，并重复步骤2和步骤3，直至模型满足R²相关系数阈值，从而构造MLRC-LSSVR预测模型，通过额外k-1个LSSVR残差预测模型实现对预测残差的在线同步修正，其中，k为MLRC-LSSVR预测模型层级；

针对测试时序训练集，进行MLRC-LSSVR模型预测，对模型预测结果做方差分析，得到置信区间的上界值作为最终的预测结果；所述模型预测过程的工作步骤描述如下：

步骤1：重构n时刻的预测数据集X_predict＝{X_train,X_predict}，其中对X_predict进行coifN小波分解，得到n时刻的高维输入预测向量X′_predict＝(A_m,predict,D_1,predict,...D_m,predict)；

步骤2：将高维输入预测向量X′_predict输入MLRC-LSSVR预测模型，得到MLRC-LSSVR多级预测输出{Y′_predict,RC_1,predict,...RC_k-1,predict}，从而得到其中，RC_j,predict为第j个LSSVR残差预测模型的预测输出；

步骤3：基于中心极限理论进行线性平滑和偏置修正，对残差(RC_k-1,train,RC_k-1,predict)进行方差估计，从而得到相应的预测置信上界YP_predict＝Y_predict+RCP_k-1,predict，其中，RCP_k-1,predict为k-1级残差的97％置信估计方差；

重复步骤1-3的模型预测过程，实现PM_2.5预测浓度的在线预测和置信上限估计。