[发明专利]一种基于SAE-LSTM模型的大气雾霾预测方法

说明书

本发明公开了一种基于SAE‑LSTM模型的大气雾霾预测方法。该方法包括以下步骤：步骤1，获取训练数据：步骤2，训练数据预处理：步骤3，SAE模型预训练：步骤4，LSTM模型预训练：步骤5，SAE‑LSTM模型微调：步骤6，模型在线应用：本发明所述方法具有良好的评估精度和泛化性能，具有良好的实际应用价值。

技术领域

本发明涉及大气雾霾预测领域，特别是涉及一种基于SAE-LSTM模型的大气雾霾预测方法。

背景技术

随着经济发展和城市化进程的加速，我国空气污染态势日益严峻，雾霾污染席卷了全国众多地区。如何实现经济快速高质量发展且保障空气质量优良，已是各级政府不可回避的头等大事。雾霾的形成有两个因素：一是气象因素；二是污染排放因素，它包括自然污染排放和人为污染排放。由于气象条件和自然污染排放是不可控和难以调节的，而且人为污染排放是雾霾形成的主要危害因素，雾霾的出现会对人们的出行和工业生产造成一定的危害，有必要对雾霾进行预测以做好相应的措施。

如何快速准确的对大气雾霾进行预报是非常有意义的研究课题，深度学习作为当前最热门的人工智能领域的基础技术，其对大数据进行分析和处理的能力尤为卓越。深度学习通过其深度且多层次的人工神经网络结构，能够做到在大量的文字、图像或声音等数据信息中对其特征进行筛选和提取，对特定对象的特征表示进行学习，从而在准确理解大量的数据信息后完成对数据的高级处理。因此，相比于传统外推预测方法，基于深度学习技术的雾霾预测的方法可以从海量的数据中进行雾霾成因的特征挖掘，有针对性的解决大气雾霾预测的难题。

国内涉及对大气雾霾进行预测的中国专利有基于BP神经网络的雾霾预测方法CN201911000434.0，公开号CN110766219A，公开日20200207，该专利中提出基于优化BP神经网络的雾霾预测方法，其中以相关度比例数据代替传统BP神经网络随机权重，从而达到减小预测误差的目标，并通过在.NET平台进行实验数据处理、图表建立，以及各种调试，最终做到减小误差、加速训练、减小训练负担，以提高预测的准确度，但该专利中的未考虑到采集数据的波动性，使得该方法的适用性可能不足。中国专利“基于大气稳定度的大范围雾霾的预报方法及系统”CN201811210935.7，公开号CN109459801B，公开日20190312，该专利包括：收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型；分析预报地天气实况数据和天气预测信息；与雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段，但该专利中未详细的阐述大气雾霾预测策略。

发明内容

为解决上述问题，本发明在SAE和LSTM网络模型的基础上，提出了一种基于SAE-LSTM模型的大气雾霾预测方法。考虑到AQI中的6项监测指标的波动性，本发明首先对数据进行归一化处理，接着采用SAE模型对原始的输入数据进行特征强化，即深度挖掘6项监测指标与大气雾霾间的因果关系；而后采用网络堆栈的方式增强了模型的抗干扰能力。另外，充分利用了LSTM网络在时间序列上优异的建模能力，这可以帮助SAE-LSTM模型捕获时间序列间的联系从而提高模型的外推预测精确性。最后对SAE-LSTM模型进行微调，并最终在线应用以实现对大气雾霾精准的预测。为达此目的，本发明提供一种基于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；