[发明专利]基于协同进化算法的大气污染物浓度预测方法

说明书

本发明提供了一种基于协同进化算法的大气污染物浓度预测方法，包括以下步骤：S1、将特征和极限学习机结构编码为两个独立的子种群；S2、通过特征子种群和极限学习机结构子种群同时进化来预测目标站的污染物浓度；S3、存储特征子种群和极限学习机结构子种群的预测结果，形成特征组合结果，用于表示于目标站的污染物浓度有关的影响因素。本发明有益效果：基于协同进化算法的大气污染物浓度预测方法考虑了目标监测站附近的气象因素和污染物的特征，选择了最相关的特征，通过特征选择，减少了模型的训练时间，也通过删除冗余特征等获得了更高的预测精度。该模型利用协同进化的优点，在训练预测模型参数的同时，实现了特征选择优化。

技术领域

本发明属于大气污染物领域，尤其是涉及一种基于协同进化算法的大气污染物浓度预测方法。

背景技术

由于大气污染对人类健康和日常生活产生了严重影响，人们对环境问题日益关注。因此，提高大气污染物浓度预测精度，帮助政府降低改善环境质量成本，具有重要的意义。

传统的空气质量预测方法通常采用确定性模型来模拟空气污染和扩散过程，如天气研究与预测(Weather Research and Forecasting Model,WRF)模型和社区多尺度空气质量(Community Multiscale Air Quality,CMAQ)模型。这些模型可以利用大规模的数据和突发性的空气状况变化来预测空气质量，但要经过长时间的训练。此外，在空气质量预测中，数据可能会存在一些特征，包括无关特征、冗余特征和噪声特征，影响了预测模型构建的效率以及预测模型的性能。例如，某些气象因素和不同微站的污染物浓度数据对于预测模型构建可能是冗余特征或噪声特征。特征选择方法通过减少输入特征的个数，使模型在特征子集受限的情况下获得更好的结果。特征选择方法还可以在不损失太多预测精度的前提下提高学习速度，甚至可以提高模型的预测精度。

发明内容

有鉴于此，本发明旨在提出一种基于协同进化算法的大气污染物浓度预测方法，以解决上述问题中的不足之处。

为达到上述目的，本发明的技术方案是这样实现的：

基于协同进化算法的大气污染物浓度预测方法，包括以下步骤：

S1、将特征和极限学习机结构编码为两个独立的子种群；

S2、通过特征子种群和极限学习机结构子种群同时进化来预测目标站的污染物浓度；

S3、存储特征子种群和极限学习机结构子种群的预测结果，形成特征组合结果，用于表示于目标站的污染物浓度有关的影响因素。

进一步的，两个独立的子种群包括特征子种群和极限学习机结构子种群。

进一步的，特征子种群采用二进制编码方法，特征子种群中的每个特征在初始化时具有相同的被选择或不被选择的概率。

进一步的，通过矩阵形式的混合编码方法生成极限学习机结构子种群。

进一步的，在步骤S2中，将极限学习机的均方根误差和平均绝对误差的加权求和作为遗传算法的适应值函数的均方根误差和平均绝对误差的加权求和作为遗传算法的适应值函数。

进一步的，在步骤S2中，预测目标站的污染物浓度包括以下步骤：

A1、通过极限学习机自适应地调整初始权值和阈值，使适应值函数最小；

A2、利用遗传算法对初始权值和阈值进行优化，使其在另外一个子种群中获得更好的性能；

A3、将得到最佳权值和阈值，并存储起来进行预测。

进一步的，均方根误差为：

平均绝对误差为：