[发明专利]一种通过灰狼算法优化LSTM神经网络模型的方法与系统

权利要求书

1.一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，其通过改进的灰狼算法优化LSTM神经网络模型，以预测空气质量值，包括步骤：

S1：获取预设时段内预设区域中各时刻t下，各类污染气体的浓度值与空气质量值，并构建数据集；

S2：初始化灰狼算法的输入参数，包括初始化a、A、C参数，以及设定狼群中灰狼的个数、最大迭代次数、灰狼个体维度即LSTM神经网络模型的超参数、超参数的取值范围，并根据超参数取值范围随机初始化狼群位置，所述狼群位置中灰狼的个体位置即超参数；

S3：获取每个灰狼所在位置对应的适应度目标函数值，所述适应度目标函数值即通过数据集训练灰狼个体位置即超参数对应的LSTM神经网络模型得到的结果值与实际空气质量值的差值；

S4：初始化迭代次数,并开始进行迭代次数的计数；

S5：获取适应度目标函数值中的最小值，并以最小值对应灰狼个体位置的狼为α狼；

S6：通过莱维飞行指导α狼更新其个体位置；

S7：更新a、A、C参数的值，并根据α狼的个体位置更新狼群位置；

S8：迭代次数加1，并判断迭代次数是否大于等于最大迭代次数，若否，则返回步骤S5，若是，则输出α狼的所在位置，即超参数；

S9:通过数据集与步骤S8获取的超参数训练LSTM神经网络模型，并通过训练后的LSTM神经网络模型预测空气质量值。

2.根据权利要求1所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述超参数具体为LSTM神经网络模型的隐藏层神经元数量和时间步长。

3.根据权利要求1所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述数据集中包括若干条条目数据，所述条目数据中包括t时刻对应的各类污染气体的浓度值与空气质量值，一个值对应一个项，所述步骤S1还包括对数据集进行预处理，具体包括：

S11:获取条目数据中数据缺失的项数，并判断项数是否大于等于预设超缺项数，若是，则删除该条目数据；若否，则获取缺失项对应t时刻上下预设时长内的数据均值，并通过均值填充该缺失项；

S12：对步骤S11处理后的数据集中各类污染气体的浓度值与空气质量值进行相关性分析，以获取相关性从大到小的排列顺序中，排列在前的预设个相关性对应的污染气体种类，并对该污染气体种类对应的浓度值进行平滑和归一化处理，以得到最终的数据集。

4.根据权利要求2所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述步骤S6中通过莱维飞行指导α狼更新其个体位置，其公式表达式为：

式中分别表示u、v符合正态分布，其中，σ_v＝1，式中，β为预设常数；

t表示时刻，a为灰狼个体位置的随机数，为点对点的乘法符号，Levy(β)为随机搜索路径，X_worst表示狼群位置中最差的灰狼个体位置，X_a(t)为t时刻α狼的个体位置，X_a(t)′表示通过莱维飞行指导后α狼的个体位置。

5.根据权利要求4所述的一种通过灰狼算法优化LSTM神经网络模型的方法，其特征在于，所述步骤S7中根据α狼的个体位置更新狼群位置的公式表达式为：

D_a＝|C₁·X_a(t)-X(t)|；

X(t+1)＝X_a(t)′-A·D_a；

式中，A为控制收敛因子，C₁为协同系数，X_a(t)为t时刻α狼的个体位置，X(t)为t时刻灰狼的个体位置，D_a为α狼与其他灰狼之间的距离，X_a(t)′表示通过莱维飞行指导后α狼的个体位置，X(t+1)为t+1时刻即更新后的灰狼个体位置。