[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

说明书

本发明涉及一种基于改进粒子群优化SVM的空气质量预测算法，属于数据挖掘以及进化算法领域。该算法首先考虑气温、湿度、日照、降水量等多种气象要素，选择与空气质量相关性较强的气象要素构成特征向量，接着利用特征向量与空气质量数据作为SVM预测模型的输入，针对现有的粒子群算法存在的收敛速度慢以及易陷入局部最优解的缺点提出改进的粒子群算法，并用改进的粒子群算法对SVM模型参数进行优化找出最优参数，最后利用最优参数模型对空气质量进行预测。本算法利用改进的粒子群算法充分挖掘SVM模型的潜力，与其他现有预测方法相比具有精度高等优点。

技术领域

本发明涉及数据挖掘以及进化算法领域，具体的涉及一种基于改进粒子群优化SVM的空气质量预测算法。

背景技术

近年来，随着工业生产的发展与人类活动的增加，造成大量能源消耗与废物排放，空气质量问题日益突出，尤其是可吸入颗粒物(PM2.5)严重影响人体健康。因此空气质量的精准预测对人们的生产、生活、培养保护环境意识等具有重要的指导意义。

目前对空气质量预测的研究多采用机器学习。目前的主要预测方法有神经网络、支持向量机(SVM)、时空数据模型等，这些方法的预测精度大都和其参数的选取有关，目前的主流研究大都靠建模者本身的经验进行参数选取，这就造成难以推广的难点。

发明内容

为了弥补先有技术的不足，本发明以改进的粒子群算法寻找最优SVM模型参数为中心点提出一种基于改进粒子群优化SVM的空气质量预测算法

为实现上述目的，设计了三个部分：确定SVM模型的输入量、改进现有的粒子群算法以及利用改进的粒子群算法找出SVM模型的最优参数。

其各个部分的方法如下：

确定模型的输入量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，利用特征向量与空气质量数据作为SVM模型的输入。

改进现有的粒子群算法所做的工作是：

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：