[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

说明书

本发明公开了一种基于非线性理论的PM2.5预测与预警方法及系统，模型训练步骤和模型预测步骤；针对PM2.5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PM2.5历史数据的隐含信息，得到训练时序指标数据集；构造预测模型；对预测模型进行训练；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。本发明能够提供模型的可调参数，通过改变可调参数从而适应不同地区PM2.5浓度的预测预警工作。

技术领域

本发明涉及空气质量预测与预警领域，特别是涉及一种基于非线性理论的PM2.5预测与预警方法及系统。

背景技术

雾霾的主要成分就是PM2.5，PM2.5是粒径小于2.5μm的颗粒物，是一种胶体混合物。 PM2.5的影响因素复杂，其浓度变化呈现出非线性特征。

目前大气污染物浓度预测方法主要有统计模型和确定性模型两类。其中，统计模型一般是基于历史数据建立空气质量与影响因素之间的关联模型，其优点在于对输入数据要求相对较低，但预测精度较低，难以反映区域空气质量且无法对污染成因以及来源等给出合理解释；数值模型则是依据不同尺度大气动力学理论，耦合大气物理和化学变化过程，建立多尺度类型大气污染物扩散模型，依靠计算机系统预报大气污染物浓度变化趋势和动态分布情况，其优点是能够对污染成因进行诊断，计算精确，能够对区域内大气污染物浓度进行预测，其局限性在于时效性污染排放数据获取困难，模型对数据要求高，实际操作困难较大。

鉴于数值预报所需成本消耗较高，存在较多的不确定因素，模型建立过程和数据需求要求较复杂，众多的研究倾向于以统计模型为主要手段开展大气污染物浓度预测，特别是针对单站点统计模型预报开展了大量的改进研究。很多研究者将传统的统计学方法与神经网络模型、自回归移动平均模型、多元线性回归模型相结合获得了较为理想的预测结果。

而从方法学的角度来看，自回归移动平均模型和多元线性回归模型均是线性模式，某些非线性的关系很难被精确预测，这种缺陷已在某些实例研究中体现出来；神经网络模型作为一种非线性映射方法，其多层感知模式使得神经网络模型在细微颗粒物浓度预测方面有良好的效果。但神经网络方法的学习速度通常比较慢，参数设定困难，并且容易陷入局部最优，推广能力差，而且预测效率较低。支持向量机(SVM)的出现克服了神经网络训练时间长、泛化能力差、易陷入局部极小等缺点。单步预测效果良好，但是在进行多步预测时，每步预测都需要上次预测的输出作为输入，在这种迭代的过程中，上一次的预测结果会影响在接下来时间点的预测结果，误差也就会逐步积累直到最后，预测效果逐步减弱。

综上所述，现有技术中对于PM2.5的预测问题，尚缺乏有效的解决方案。

发明内容

为了解决现有技术的不足，本发明提供了一种基于非线性理论的PM2.5预测与预警方法，该方法能够提供模型的可调参数，通过改变可调参数从而适应不同地区PM2.5浓度的预测预警工作。

一种基于非线性理论的PM2.5预测与预警方法，包括：

模型训练步骤和模型预测步骤；

针对PM2.5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PM2.5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(AMLRC-LSSVR)的预测模型；

对AMLRC-LSSVR模型进行训练；

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。