[发明专利]基于模态分解的混合模型的空气污染物浓度预测方法

权利要求书

1.一种基于模态分解的混合模型的空气污染物浓度预测方法，其特征在于，所述方法包括：

获取该地区的所有空气质量站的PM2.5、其他污染物以及气象因子，并进行空间依赖分析，采用0.85作为相关阈值，处理得到目标站与邻近站的PM2.5、其他污染物以及气象因子的序列；

构建CEEMDAN-CNN-GRU混合模型；所述CEEMDAN-CNN-GRU混合模型包括CEEMDAN序列分解部分、1个卷积神经网络、1个门控循环单元网络、以及1个输出网络，所述CEEMDAN序列分解部分用于分解目标站点和临近站点的PM2.5的序列；所述卷积神经网络用于提取目标站和邻近站的PM2.5分解后的子序列、空气污染物以及气象因子的空间相关性特征；所述门控循环单元网络用于接收卷积神经网络输出的空间相关性特征，提取PM2.5和其他数据的时间相关性特征；所述输出网络用于输出预测结果。

根据所述目标站和邻近站的PM2.5分解后的子序列、空气污染物以及气象因子的空间相关性特征对所述CNN-GRU混合模型进行训练，得到训练好的空气污染物浓度预测模型；

将所述待测目标站的PM2.5分解后的子序列、空气污染物以及气象因子序列输入到所述空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。

2.根据权利要求1所述的方法，其特征在于，获取目标站和邻近站的PM2.5、空气污染物以及气象因子，并进行对目标站和邻近站的PM2.5进行CEEMDAN序列分解，包括：

取地区的PM2.5、空气污染物以及气象因子并进行空间依赖分析，采用0.85作为相关阈值，处理得到目标站与邻近站的PM2.5、其他污染物以及气象因子的序列；

对目标站和邻近站的PM2.5进行CEEMDAN序列分解，生成PM2.5的分解后的子序列。

3.根据权利要求1所述的方法，其特征在于，根据所述目标站和邻近站的PM2.5、空气污染物以及气象因子对所述的CNN-GRU混合模型进行训练，得到训练好的空气污染物浓度预测模型，包括：

将目标站与邻近站的PM2.5、其他污染物以及气象因子的序列分为训练样本和测试样本；

将所述训练样本中的PM2.5输入到CEEMDAN序列分解部分中，得到目标站与邻近站的PM2.5的分解后的子序列；

将目标站与邻近站的PM2.5的分解后的子序列、空气污染物、气象因子输入到所述卷积神经网络中，得到目标站与邻近站的PM2.5浓度之间的空间相关性特征；

将所述空间相关性特征输入到所述门控循环单元网络中，得到目标站与邻近站之间的时间相关性特征；

将所述时间相关性特征输入到输出层得到目标站PM2.5浓度预测值，迭代训练结束后，得到预估的空气污染物浓度预测模型；

利用测试样本对预估的空气污染物浓度预测模型进行测试，得到训练好的空气污染物浓度预测模型。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述CEEMDAN序列分解部分中，得到目标站与邻近站的PM2.5的分解后的子序列。