[发明专利]一种基于IFDO-LSSVM的空气质量指数预测方法和装置

说明书

本发明涉及一种基于IFDO‑LSSVM的空气质量指数预测方法和装置，首先利用改进的反向学习算法对FDO算法的初始群体进行改进，得到IFDO算法；再利用IFDO算法对LSSVM的参数进行寻优，得到IFDO‑LSSVM算法；经过IFDO‑LSSVM算法寻优之后得到最优参数；再把最优参数代入LSSVM空气质量预测模型中。与现有技术相比，本发明具有提高LSSVM模型初始种群的质量、加快收敛速度、提高预测精度等优点。

技术领域

本发明涉及机器学习技术领域，尤其是涉及一种基于IFDO-LSSVM的空气质量指数预测方法和装置。

背景技术

为解决空气污染问题，已采取众多方法。其中，预测空气质量指数的方法是当前研究热点。空气质量指数(AQI)是对空气质量综合评价的无量纲指数，直观地反映一个地方空气质量的好坏。因此，预测空气质量指数是非常有必要的。

目前已有许多空气质量指数预测方法。其中，数值模拟法、支持向量机(SVM)被用到空气质量指数预测中是存在一定效果，但计算量大，速度慢。人工神经网络算法在运用到预测空气质量指数中，存在易过拟合、易陷入局部最优的缺点。相比之下，最小二乘支持向量机(LSSVM)具有小样本、较强的泛化能力、计算量小、计算速度快，但存在两个参数：惩罚因子C和核函数半径σ选择盲目，预测精度不高的问题。为此有些研究者用粒子群算法(PSO)、鲸鱼算法(WOA)优化LSSVM进行参数寻优，虽然能够提高LSSVM参数的质量，但这些算法存在收敛速度慢，初始种群质量不好，精度不高的不足。

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预测精度不高、参数寻优时初始种群质量不高、收敛速度慢的缺陷而提供一种基于IFDO-LSSVM的空气质量指数预测方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种基于IFDO-LSSVM的空气质量指数预测方法，具体包括以下步骤：

S1、获取空气质量指数的数据样本集，将所述数据样本集分为训练数据样本集和预测样本集；

S2、训练数据样本集和预测样本集进行数据预处理；

S3、设置适应度优化(IFDO)算法的参数，并设置相应的适应度函数，根据改进的反向学习算法筛选出适应度最优的群体作为初始群体，并保存所述初始群体对应的适应度值；

S4、更新群体中的每个侦查蜂的适应度权重、速度向量和位置；

S5、计算侦查蜂的适应度值，获取一个随机数，根据适应度值和获取的随机数，更新侦查蜂的速度向量、位置及对应的适应度值；

S6、检测适应度值是否优于初始的适应度值，若是则保存侦查蜂的速度向量、位置及对应的适应度值，若否则持续更新适应度值；

S7、获取当前迭代次数，判断当前迭代次数是否大于步骤S3预设的参数中的最大迭代次数，若否则转至步骤S4，若是则输出每个群体的位置以及侦查蜂位置的最优解；

S8、获取最小二乘支持向量机(LSSVM)模型，所述最小二乘支持向量机模型将步骤S7中的最优解设置为模型参数，预测样本集输入最小二乘支持向量机模型得到预测结果并输出。

所述步骤S2中数据预处理具体为无量纲处理，消除量纲的影响。

所述步骤S3中适应度优化算法的参数还包括群体数目、优化维数、优化对象的范围、初始速度向量和适应度权重系数。

所述适应度权重的计算公式如下所示：

其中，fw为适应度权重，wf为适应度权重系数，为现有群体中前t次迭代中全局最优解对应的适应度值，x_i,tfitness为现有群体中第t次迭代时第i个侦查蜂的位置对应的适应度值。