[发明专利]一种基于聚类算法的空气质量预测方法

说明书

本发明涉及一种基于聚类算法的空气质量预测方法，包括以下步骤：S1：确定多个时间序列，对不同时间序列的等间隔时间点采集各个空气污染物的浓度；S2：将不同空气污染物的浓度组成污染物浓度向量，每个时间序列的所有污染物浓度向量作为一个数据组；S3：采用聚类算法对每个数据组进行分类，获取多个子类数据，并对每个子类数据求取平均向量；S4：分别求取各平均向量与待预测数据组中各个浓度向量之间的差异值，选取出差异值最小的平均向量，并选出其所对应的子类数据；S5：根据待预测数据组中缺失的污染物浓度种类，在选出的子类数据中找出该污染物种类的浓度值作为待预测数据组的预测值。与现有技术相比，本发明具有提高预测质量等优点。

技术领域

本发明涉及空气质量预测技术领域，尤其是涉及一种基于聚类算法的空气质量预测方法。

背景技术

现有的空气质量预测方式主要分为两类：数值预报与统计预报。数值预报的基本原理是通过计算物质守恒方程来对大气中的污染物进行数值计算，数值预报意在模拟一种真实的大气环境，用数学与化学公式尽可能的接近于真实大气的运作机理，充分考虑大气的污染源清单、气象因子、粒子化学、光化学反应过程、二次污染物、污染物传输、清除等因素，来模拟真实的大气环境，并根据大气环境的变化呈现出不同的精确结果。该方式的缺点在于，因数值预报技术依赖于气象因子与污染物排放等因素，气象因子的不确定性会导致数值预报系统在不同区域可能呈现出预报准确程度的差异。

统计预报的发展得益于人类开始建立比较完善合理的大气监测研究网络，收集大气系统中的污染物因子、气象因子、污染源因子等变量。根据现有的积累的大量的历史监测数据，运用统计学的相关方法模型如：人工神经网络、灰色系统理论、聚类与多元回归等，分析出大气预测中潜在的规律规则，来对未来空气质量进行预测。

空气质量的时空分布受到气象场、排放源、复杂下垫面、理化过程的耦合等多种因素的影响，具有较强的非线性特性。现有的统计预报方式虽然建立简单，业务运行方便、易普及，但缺乏坚实的物理基础，需要大量的监测资料；数值预测虽然物理基础坚实，预测结果全面，但模式所需要的边界、初始条件不易给出，使得预测结果精度不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于聚类算法的空气质量预测方法。

本发明的目的可以通过以下技术方案来实现：

本发明采用基于聚类算法进行空气质量预测，聚类算法的原理为：

聚类(clustering)是数据挖掘的一个重要方法，即把一个数据对象集合分成多个簇(或划分成组)，使得每簇中的点彼此相似，但与其他簇中的点尽可能不同。通常，聚类被认为是一种无监督的学习过程，因为它不需要事先定义类别信息或是给出训练样例来指明数据应该具有怎样的关系。然而，在实际应用中，对于数据集的最终划分需要一定的评价体系来衡量其优劣。这也就意味着聚类更多的被当作是一种增强学习模型来使用。

聚类技术可以粗分为两大类：划分方法(如k-平均、k-中心、CLARANS等)和层次方法(如BIRTH、CURE、CHAMELEON等)。层次方法可以找到一个可以继续分割成子聚类的结构，然后递归的进行下去；而划分方法都基于某个目标函数的最优化问题。基于划分的聚类算法的基本思路是：试图找到一个最优划分以把数据分成指定数量聚类，其本质是组合优化的一种形式。聚类过程就是采用一定的启发式方法来搜索全部空间中的一个很小部分，找到局部最优解。比较流行的启发式方法是k-平均算法和k-中心点算法。本专利提出一种利用k-平均算法预测空气质量的方法。

一种基于聚类算法的空气质量预测方法，包括以下步骤：

S1：确定多个时间序列，对不同时间序列的等间隔时间点采集各个空气污染物的浓度；

S2：将各等间隔时间点采集的不同空气污染物的浓度组成污染物浓度向量，每个时间序列的所有污染物浓度向量作为一个数据组；