[发明专利]一种基于SAE-LSTM模型的大气雾霾预测方法

权利要求书

1.一种基于SAE-LSTM模型的大气雾霾预测方法，具体步骤如下，其特征在于：

步骤1，获取训练数据：获取所分析地域的空气质量指数AQI的6项监测指标，其中包括：SO₂、NO₂、PM10、PM2.5、O₃和CO的气体含量；

步骤2，训练数据预处理：将步骤1得到的数据进行归一化处理，归一化至[0,1]；

步骤3，SAE模型预训练：利用步骤2得到的数据对SAE网络进行分级预训练；

步骤4，LSTM模型预训练：将SAE网络的输出作为LSTM的输入对LSTM进行预训练；

步骤5，SAE-LSTM模型微调：对SAE-LSTM模型进行微调，直至模型收敛；

步骤6，模型在线应用：将步骤1~步骤5训练得到的SAE-LSTM模型在线应用，实现对大气雾霾的精准预测。

2.根据权利要求1所述的一种基于SAE-LSTM模型的大气雾霾预测方法，其特征在于：步骤2中训练数据归一化至[0,1]的数学表达式为：

式中，和分别表示原始数据和归一化后的数据， min(·) 和max(·)分别表示最小值函数和最大值函数。

3.根据权利要求1所述的一种基于SAE-LSTM模型的大气雾霾预测方法，其特征在于：步骤3中对SAE模型预训练的具体步骤为：

步骤3.1，预训练第一个自编码器，其中采用随机梯度下降算法SGD对网络参数进行更新，模型的损失函数L设计为：

其中，N是训练样本总数，、分别表示自编码器的输入与输出，损失函数L的第一项用于量化模型输入与输出之间的误差；损失函数L的第二项是权重衰减项，且权重衰减系数表示为，是自编码器的层数，、分别为第l层和第l+1层网络神经元节点个数，为第l层的第j个神经元与l+1层的第i个神经元间的权重；

步骤3.2，预训练第二个自编码器，训练过程和参数更新方式与步骤3.1保持一致；

步骤3.3，连接步骤3.1-3.2得到的两个编码器的隐藏层，最终形成“输入层-隐藏层1-隐藏层2-输出层”结构的堆栈自编码器。

4.根据权利要求1所述的一种基于SAE-LSTM模型的大气雾霾预测方法，其特征在于：步骤4中对LSTM模型预训练的具体步骤为：

步骤4.1，训练遗忘门以删除记忆单元中部分的无效信息，其过程表示为：

式中，为输入样本，为遗忘门样本，表示激活函数，使用sigmoid，和分别表示遗忘门与和间的权重系数，时t-1时刻的隐藏状态，为遗忘门偏置系数；

步骤4.2，训练输入门以过滤无效信息并向记忆单元添加有效信息，其过程表示为：

式中，表示输入门样本，和分别表示输入门与和间的权重系数，为输入门偏置系数；

步骤4.3，更新记忆单元，其过程表示为：

式中，为细胞状态，和分别表示细胞与和间的权重系数，为细胞对应的偏置系数；

步骤4.4，对输出门当前的状态进行更新，其中的激活函数选用tanh函数；

步骤4.5，重复步骤4.1~步骤4.4，利用SGD算法对LSTM中的参数进行更新，直至损失函数达到收敛阈值，收敛阈值设置为1e-4。