[发明专利]一种基于改进粒子群优化SVM的空气质量预测算法

权利要求书

1.一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：所述一种基于改进粒子群算法的空气质量预测方法的具体步骤如下：

第一步：对空气质量数据进行预处理；

第二步：分析空气质量与气象要素的相关性，找出与空气质量相关性较强的气象要素作为特征向量；

第三步：利用特征向量与空气质量数据作为SVM模型的输入；

第四步：对现有的粒子群算法进行改进；

第五步：利用改进的粒子群算法找出SVM模型的最优参数；

第六步：利用优化后的SVM模型对空气质量浓度进行分析预测。

2.根据权利要求1所述的一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：首先对空气质量数据以及各种气象数据做归一化处理，利用灰色关联法对空气质量数据以及气温、湿度、温度等气象因素进行分析，找出关联系数在0.4以上的气象因素作为特征向量。

3.根据权利要求1所述的一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：在第四步中，粒子群算法是基于粒子迭代寻找解空间的最优值的一种全局动态寻优计算方法，该算法通过在每次迭代过程中追寻全局极值P_gbest和个体极值P_ibest来不断的调整自己的位置与速度。其迭代公式为：

上式中(1)为速度更新公式，(2)为位置更新公式，w称为惯性因子，C₁和C₂称为加速常数，一般选取C₁,C₂∈[0,4]。r₁,r₂表示在0到1之间随机的数值。基于粒子群算法的原理w应该随着搜索的进行而不断减小。w的变化规律表示为：

式(3)中：w_max、w_min分别为最大、最小惯性权重；T_max、T_i分别为最大迭代次数和当前迭代次数。

基本的粒子群算法存在两个问题：1)算法后期，粒子多集中在最优解的一边导致粒子寻优速度下降，迭代速度变慢；2)算法容易早熟，陷入局部最优解。针对现有的问题提出增加动量项以及用余弦函数来自适应权重的改进粒子群算法。

首先在基本的粒子群算法的速度更新公式中加入动量项：

接着采用0～π之间的余弦函数控制惯性权值的变化：

w＝[(w_max-w_min)/2]cos(πT_i/T_max)+(w_max+w_min)/2 (5)

改进后新的速度以及位置公式为：

4.根据权利要求1所述的一种基于改进粒子群优化SVM的空气质量预测算法，其特征在于：利用改进的粒子群算法对SVM模型的优化步骤如下：

Step0:初始化算法的参数c₁,c₂,w,α以及粒子群规模以及最大的迭代次数T_max。随机初始化SVM参数组合(C,σ,ε,λ)在解的空间中的位置以及粒子初始速度和位置，设置粒子的最大速度V_max、惯性权重w取值范围以及SVM各参数的取值范围。

Step1：将粒子的个体极值P_ibest设置为粒子当前的位置。计算各个粒子的适应度值，取适应度最小的粒子的P_ibest作为开始的全局极值P_gbest。

Step2：根据公式(12)(13)重新确定粒子的速度以及位置，根据公式(14)确定新的适应度值，令p_ipresent＝F_fitness。

Step3：比较更新后的适应度值p_ipresent和粒子当前最优的P_ibest，若p_ipresent＞P_ibest，则更新P_ibest。

Step4：比较更新后的p_ipresent和全局最优解P_gbest。若p_ipresent＞P_gbest，则更新P_gbest。

Step5：判断收敛条件是否满足若满足则输出最优SVM参数组合，否则回到Step1。