[发明专利]一种基于多示例遗传神经网络的室内PM2.5预测方法

说明书

本发明公开了一种基于多示例遗传神经网络的室内PM2.5预测方法，包括以下步骤：(1)数据采集与特征选取；(2)构建多示例遗传神经网络预测模型；(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m。通过上述方式，本发明基于多示例遗传神经网络的室内PM2.5预测方法，通过选取与室内PM2.5密切相关的通风率、气温、相对湿度等7个特征进行模型训练，将多示例神经网络与遗传算法应用到室内空气质量的预测中，不仅得到了较好的预测精度，同时相对于经验模型来说，大大缩短建模的时间，具有可靠性能高、精度高、效率高、实用性强等优点。

技术领域

本发明涉及颗粒物浓度检测技术领域，特别是涉及一种基于多示例遗传神经网络的室内PM2.5预测方法。

背景技术

经验模型和统计模型是早年对室内空气质量进行预测的主要方法，后来随着大气物理、化学机制研究的发展，机理模型逐渐取代之前的预测方法。在基于机理模型的空气质量预测方法研究中，主要的思路是对污染物在空气中的传播、扩散、化学反应等过程实施抽象模拟，通过研究大气污染物的物理化学特性及其在特定条件下的转化规律，对未来的空气质量状况做出预测。

当今世界上普遍采用的空气质量预测模型大多是机理模型，但是对于我国室内空气的重要污染物之一PM2.5来说，其来源具有多样性且其形成机理较为复杂，研究其在室内空气中的扩散及复杂的转化机理并进行为之有效的建模难度较大，因此利用传统的机理模型对PM2.5浓度进行准确的预测比较困难，并且机理模型所需数据源多种多样，运算过程也非常耗时，机器学习被众多专家认为是一种全新的学习途径，能高效地解决问题，而伴随着机器学习的发展，新的机器学习理论和方法也在不断诞生，很多研究者开始尝试使用机器学习方法来进行空气质量预测的研究和探索，然而目前的研究多集中于对室外大气污染物的预测，利用机器学习的方法对室内空气污染物进行预测却鲜有提及。

发明内容

本发明主要解决的技术问题是提供一种基于多示例遗传神经网络的室内PM2.5预测方法。

为解决上述技术问题，本发明采用的一个技术方案是：

提供一种基于多示例遗传神经网络的室内PM2.5预测方法，包括以下步骤：

(1)数据采集与特征选取：设定采样时间和采样时间间隔，采集当前时间t对应的当前室外温度w_out、当前室内温度w_in、当前室外湿度s_out、当前室内湿度s_in、当前室外PM2.5浓度p_out数据，当前室外温度w_out、当前室内温度w_in、当前室外湿度s_out、当前室内湿度s_in、当前室外PM2.5浓度p_out为输入参数，将每小时内采集的输入参数数据作为一个样本，删除由于传感器初始检测时不稳定造成的噪声数据；

(2)构建多示例遗传神经网络预测模型；

(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m；

所述构建多示例遗传神经网络预测模型的具体步骤为：

步骤1：定义预测模型

m＝F(t,p_out,w_in,w_out,s_in,s_out,v)，

其中，m表示当前室内PM2.5浓度，v表示当前房间室内通风率，

v＝S×|w_out-w_in|，

其中，S为窗口打开的面积；

步骤2：将样本中的每个输入参数数据进行归一化处理，使之分布在[-1,1]的间隔中，