[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

说明书

本申请涉及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。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；并采用CEEMDAN对PM2.5进行序列分解，并利用PM2.5分解后子序列、其他污染物以及气象因子对构建的CNN‑GRU混合模型进行训练，得到训练好的PM2.5浓度预测模型，对目标站PM2.5浓度进行预测。本发明提出的CEEMDAN‑CNN‑GRU混合模型的预测方法可以加快序列分解后的模型训练速度，并有效提取地区内的目标空气质量监测站与邻近空气质量检测站之间与PM2.5相关的空间相关性特征，使得预测效果得到提升。

技术领域

本申请涉及空气质量监控技术领域，特别是涉及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。

背景技术

21世纪以来，随着工业化的快速发展，以及能源消耗的迅速增加，生态环境遭到破坏，城市空气污染问题越来越严重。空气污染主要包括气态污染物和颗粒物两大类，颗粒物的成分以PM2.5为主，因此PM2.5是空气污染的主要污染物。医学研究发现表明，PM2.5不仅会严重损害人体健康，导致严重的呼吸道、肺部疾病、心血管疾病、多种癌症等疾病，对气候也有非常大的影响，PM2.5通过散射和吸收太阳辐射来影响地、气辐射的收支，还能影响云的产生和降雨导致气象变化。PM2.5还会造成能见度的降低，对人们的生活、出行、生产等造成严重影响。

空气质量一直是国内外学者的研究热点，为了预测空气中各种污染物的浓度，现有多种建模方法。包括确定性方法、统计方法、机器学习、深度学习。随着深度学习和大数据技术在环境领域下不断研究，其中以神经网络为主的，使用深度学习模型对空气质量预测已成为一种趋势，深度学习模型相较于传统的机器学习不需要复杂的特征工程就可以从海量的数据中自动提取特征，更好挖掘空气质量的复杂非线性特点。比如，循环神经网络(RNN)及其变体，其中长短期记忆网络(LSTM)可以解决循环神经网络无法处理长时间依赖问题，在空气质量预测上得到广泛应用。门控循环单元网络(GRU)在长短期记忆网络基础上简化神经网络结构并提升其学习效率。Ma等人提出贝叶斯优化(BO)的Lag-FLSTM模型用于PM2.5浓度预测，考虑气象因素和其他污染物的影响以及模型的参数优化，有效提升了模型性能。Huang等人整合了CNN-LSTM的组合模型来对PM2.5浓度进行预测，相较于单独采用或CNN进行预测，通过模型组合可以有效提高模型的预测能力。

现有的基于PM2.5序列分解预测方法，对分解后得到每个子序列，然后将每个子序列的预测结果相加，但这种方法耗时较长，容易造成误差累积，且缺乏与PM2.5相关的空间特征信息。

发明内容

基于此，有必要针对上述技术问题，提供一种能够结合序列分解的多尺度分量，充分挖掘PM2.5的空间特征信息，基于模态分解的混合模型的空气污染物浓度预测方法。

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，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。

构建混合模型；所述混合模型包括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。

根据所述目标站与邻近站的PM2.5、其他污染物以及气象因子的序列对所述混合模型进行训练，得到训练好的PM2.5浓度预测模型。