[发明专利]一种基于改进GAN与LSTM的小样本气体浓度预测方法

说明书

本发明涉及一种基于改进GAN与LSTM的小样本气体浓度预测方法，包括：获取目标气体浓度的历史数据；对目标气体浓度的历史数据进行预处理，构建得到历史数据集；通过改进的GAN对历史数据集进行扩充，得到扩充后的数据集，其中，为避免GAN网络在训练过程中出现梯度消失问题，使用Wasserstein距离构造损失函数对GAN网络进行改进；按照设定的比例，将扩充后的数据集划分为训练集和测试集；利用训练集和测试集，对LSTM网络进行训练，得到气体浓度预测模型；将实际需要预测的气体数据输入气体浓度预测模型中，输出得到对应的预测气体浓度。与现有技术相比，本发明能够消除样本不充足带来的负面影响，能够有效解决小样本气体浓度预测问题，并提高气体浓度预测的精度。

技术领域

本发明涉及污染气体检测技术领域，尤其是涉及一种基于改进GAN与LSTM的小样本气体浓度预测方法。

背景技术

随着船舶建造行业的大规模发展，我国相继建设了多个大型修造船基地，在推动我国海上经济、港口贸易发展和提升国防实力的同时，也对船厂周围的环境质量造成了一定的负面影响。由于船舶建造与修理过程中，污染物排放量较大，容易成为区域主要环境污染源。尤其在涂装车间、船坞和其他露天场所进行船舶涂装的过程中，排放的污染物主要是挥发性有机化合物(Volatile Organic Compounds，VOCs)，具有毒性和无组织排放性。

近年来，随着国家环保标准和要求的不断提高，船舶行业压力倍增，急需开展VOCs治理，以实现船舶绿色涂装。与此同时，随着新一代人工智能、大数据、云计算、移动互联等一批变革性创新技术的不断涌现并快速落地，为船舶制造行业涂装车间VOCs浓度监测、VOCs浓度预测、VOCs治理以及治理过程中的节能减排等工作的开展带来了新视角、新方法和新动能。

VOCs治理的关键在于检测VOCs浓度，一旦无法准确获知VOCs浓度数据不，就有可能造成不可估量的损失，甚至危害人们的生命安全。VOCs治理工程不仅要获取当前船厂涂装车间内的气体浓度，还需要预测未来几个小时甚至更长时间内VOCs浓度的变化趋势，从而为涂装车间VOCs治理工程提供基础数据和设计依据。然而在当前的实际操作中，精确获取VOCs气体浓度十分困难，如何在少量时序气体浓度数据的场景下，对VOCs气体浓度进行精准、高效地预测，是当前亟需解决的问题。

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缺陷而提供一种基于改进GAN(Generative Adversarial Network，生成对抗网络)与LSTM(Long Short Term MemoryNetwork，长短时记忆网络)的小样本气体浓度预测方法，以解决小样本气体浓度预测问题，提高气体浓度预测的精度和效率。

本发明的目的可以通过以下技术方案来实现：一种基于改进GAN与LSTM的小样本气体浓度预测方法，包括以下步骤：

S1、获取目标气体浓度的历史数据；

S2、对目标气体浓度的历史数据进行预处理，并构建得到历史数据集；

S3、通过改进的GAN对历史数据集进行扩充，得到扩充后的数据集；

S4、按照设定的比例，将扩充后的数据集划分为训练集和测试集；

S5、利用训练集和测试集，对LSTM网络进行训练，得到训练好的气体浓度预测模型；

S6、将实际需要预测的气体数据输入气体浓度预测模型中，输出得到对应的预测气体浓度。

进一步地，所述步骤S2中预处理过程具体为：首先对数据进行时间对齐，之后进行缺失值处理、噪声处理，最后进行数据集成。

进一步地，所述步骤S3中改进的GAN包括生成网络和判别网络，所述生成网络由门控循环单元网络组成，所述判别网络为卷积神经网络，所述卷积神经网络包括最大池化层和全连接层、并使用Wasserstein距离构造损失函数。