[发明专利]基于多种模型对比和优化的大气O3

权利要求书

1.基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于，包括如下步骤：

(1)获取目标城市各项大气常规污染物浓度数据及气象数据，大气常规污染物数据主要包括PM_2.5、O₃、PM₁₀、SO₂、CO、NO₂，气象数据主要包括气温、风力、天气，并在获取数据之后，对上述各项数据进行数据库的建立；

(2)从数据库中读取目标城市中的各项大气常规污染物浓度数据及气象数据，并对以上数据进行预处理；

(3)确定模型预测性能评价标准；

(4)对目标城市的O₃进行多元线性回归模型、BP神经网络模型以及时间序列模型的建立，选择预测性能较好的BP神经网络模型；

(5)对BP神经网络模型作参数调整，确定最优BP神经网络模型；

(6)对最优BP神经网络模型作敏感性分析，确定模型对各变量变化的敏感程度。

2.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于，步骤(1)中，目标城市中空气质量数据，均来源于中国环境监测总站和中国空气质量在线监测分析平台数据库的建立使用Excel软件。

3.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于，步骤(2)中，对于多元线性回归模型和时间序列的数据预处理方法包括使用SPSS对所得数据进行一致性检查、对无效值和缺失值的替代；使用Excel对上述数据进行归一化的处理，将数据归一化到[0，1]，其公式为：为得到真实的预测值，随后使用公式重新换算预测值。

对于BP神经网络模型的数据预处理采用在Python中插入预处理函数代码进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的步骤，同时利用reindex函数对数据进行随机重排。

4.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于：步骤(3)中，模型预测性能评价标准包括均方根误差、平均绝对误差、平均绝对百分比误差和决定系数，其计算公式如下，同时对各模型的评价综合考虑各个指标的数值大小以确定最终选用的模型：

5.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于：步骤(4)中，其所使用的数据来自目标城市所选取时间内的全部大气常规污染物浓度数据及气象数据，利用软件SPSS进行多元线性回归模型的构建，使用逐步回归方法，剔除条件使用F概率为0.05-0.1；

同样利用SPSS软件构建时间序列模型，并采用结构为(p,d,q)的ARIMA模型；

基于Python构建BP神经网络模型，结构为：使用全样本进入模型，每次进入模型的样本(batch size)为将训练集、测试集和验证集的比例设为6：2：2，采用单隐层结构加速O₃-BP神经网络的训练，输入层节点数为输入变量数8，输出层节点数为1，使用探测法分别确定隐藏层节点数、学习率和最大迭代次数，在神经网络的隐藏层和输出层中，分别采用ReLU和Purelin这两类激活函数。

6.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于：步骤(5)中，基于Python对该模型参数进行设置和调整，以提升BP神经网络模型的预测性能，其中输入层节点数取决于输入的预测变量个数为8，隐藏层个数为1，输出层个数为1；

所需调整的模型参数包括隐藏层节点数、学习率和迭代次数，各参数范围分别为1-10、0.0001-0.1、1000-10000。

7.根据权利要求1所述的基于多种模型对比和优化的大气O₃浓度预测方法，其特征在于：步骤(6)中，使用单因素敏感性分析方法对O₃-最优模型作敏感性分析：

具体方法为根据下述公式计算变量改变前后模型模拟结果的差异S，并通过对某一个变量增加或减少10％，计算差异S，并对两种情况下的差异值求平均值，即为模型对该变量的敏感性，

式中：n为模型模拟天数；x_t为变量i未改变时，第t天的输出值；x_i,t为变量i改变时，第t天的输出值。