[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

说明书

本发明公开了一种通过灰狼算法优化LSTM神经网络模型的方法与系统，涉及LSTM神经网络模型领域，其通过将超参数映射为灰狼个体位置，以通过数据集训练灰狼个体位置对应的LSTM神经网络模型得到的结果值与实际空气质量值的差值为适应度目标函数值，并通过适应度目标函数值划分出α狼，同时为了避免传统灰狼算法中β狼和δ狼对灰狼个体位置的误导，只采用α狼对种群位置进行引导，并且采用莱维飞行策略引领α狼进行全局搜索，通过改进后的灰狼算法对灰狼的位置进行迭代更新；在满足迭代次数后通过α狼的个体位置即最优的超参数与数据集训练LSTM神经网络模型，以通过训练后的模型预测空气质量值，其极大的提高了网络的收敛速度与模型预测的准确性。

技术领域

本发明涉及LSTM神经网络模型领域，尤其涉及一种通过灰狼算法优化 LSTM神经网络模型的方法与系统。

背景技术

近些年以来，随着我国经济的不断发展和提高，城市化的进程不断加快，各地的城市也在不断扩张。随之而来的就是日益增长的能源消耗和环境污染的问题，所以为了应对未来可能出现的空气污染状况，对空气排污气体采取监控措施，随时掌握污染物的排放情况极为重要。

在空气质量预测技术发展的早期，主要通过统计学的理论与方法研究空气质量的变化规律，从而提出了以统计学为基础的空气质量预测技术；接着有的学者将多元线性和分类回归树结合，并应用到空气质量预测，也取得了一定的成果。近些年，随着机器学习的发展，大量学者提出以深度学习为基础的空气质量预测技术，运用最广泛的是构建神经网络的空气质量预测模型，将多通道数据输入网络训练，挖掘非线性数据的规律，提高预测精准度和泛化能力。

在空气质量预测领域现阶段最受欢迎的神经网络是长短时长记忆神经网络(LSTM),因为LSTM神经网络可以解决长时序列记忆丢失问题，并且LSTM神经网络比传统神经网络对精准间隔时间的空气质量预测精准度更高，另外 LSTM神经网络每个序列输出都可以对应一个时间点的空气质量预测结果；但同时也因为多个序列的存在，致使LSTM神经网络存在计算费时，收敛速度延迟，进而导致模型预测精度下降的问题。所以对LSTM网络拓扑结构优化尤为重要，目前对LSTM神经网络预测模型参数的选取研究大多采取网格搜索算法，控制变量精细调，本质都是暴力搜索最优参数，该计算方式耗时耗力，而且始终得不到最优解。

发明内容

本发明为了解决上述技术问题，提高LSTM神经网络模型的预测精度，提出了一种通过灰狼算法优化LSTM神经网络模型的方法，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。