[发明专利]一种PM2.5浓度预测方法及系统

说明书

本发明公开了一种PM2.5浓度预测方法及系统，主要涉及空气污染物浓度预测技术领域，首先搜集历史数据并对历史数据缺失值进行处理。处理完历史数据后再对它们进行特征选择，根据各特征之间表现出来的特征值设定相应的阈值进行特征选择。然后再对我们多要预测的污染物PM2.5浓度特征进行完全自适应噪声集合经验模态分解。最后将所分解出来的各本征模函数分别和上文所挑选出来的特征一起放入到门控循环单元神经网络中去训练，得出相应的预测结果，预测结果就是这几个本征模函数和残差的预测结果进行相加。本发明的PM2.5浓度预测的方法，其预测结果精准，并且运算量也尚可。

技术领域

本发明涉及空气污染物预测领域，更具体的说是涉及一种PM2.5浓度预测方法及系统。

背景技术

世界卫生组织和联合国环境组织发表的一份报告说：“空气污染已成为全世界城市居民生活中一个无法逃避的现实。”大气中的有害气体和污染物达到一定浓度时，就会对人类和环境带来巨大灾难。对人体健康的危害——人体受害有三条途径，即吸入污染空气、表面皮肤接触污染空气和吸入含大气污染物的食物，除可引起呼吸道和肺部疾病外，还可对心血管系统、肝等产生危害，严重的可夺去人的生命。

空气污染其中最重要的一个指标就是PM2.5的浓度。又称细粒、细颗粒、PM2.5。细颗粒物指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。虽然PM2.5只是地球大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。准确预测PM2.5浓度能够让人们及时了解空气质量，这样就可以及时做出相应的措施，减少疾病发生的概率。选择与PM2.5关联度相关的特征对他们一起进行预测，这样子得到的预测效果会比单目标预测好很多。

发明内容

有鉴于此，本发明提供了一种基于MIC-CEEMDAN-GRU的PM2.5浓度预测方法及系统，克服了无法有效地选取与PM2.5相关的空气质量特征以及气象特征，克服了非线性之间的相关因素以及无法实行精准预测的问题。

为了实现上述目的，本发明采用如下技术方案：

一种PM2.5浓度预测方法，包括如下具体步骤：

获取目标地方的空气质量监测数据和气象监测数据，并对空气质量监测数据和气象监测数据进行相应的预处理；

将预处理后的所有数据放入到最大信息系数模型中进行计算，得到最大信息系数；

将PM2.5浓度时间序列放入到完全自适应噪声集合经验模态分解模型中进行分解；

根据所述最大信息系数设定相应阈值来挑选相应的特征；

将分解后的各本征模函数以及残差和挑选出来的特征放入到门控循环神经网络进行训练预测；

将各预测的本征模函数以及残差进行相加得到最终的预测结果。

可选的，在上述的一种PM2.5浓度预测方法中，数据预处理具体步骤包括：

对采集到的空气质量监测数据和气象监测数据中的缺失值进行填充；

计算气温、体感温度、气压、相对湿度、降雨量、WSPD风速、AQI、PM10、NO₂、SO₂、O₃、CO与PM2.5浓度序列的相关性，选择与PM2.5相关性大的因素作为输入最大信息系数模型的特征。

可选的，在上述的一种PM2.5浓度预测方法中，进行最大信息系数计算具体步骤包括：

给定两个变量x和y，MI定义为：