[发明专利]基于LSTM深度时空残差网络的机动车尾气浓度预测方法

摘要

本发明提供了一种基于LSTM深度时空残差网络的机动车尾气浓度预测方法，利用深度学习方法强大的数据非线性逼近能力和自学习能力，建立基于LSTM深度时空残差网络结构，实现城市机动车尾气浓度的时空预测，采集城市机动车尾气时空数据和外部影响因素数据，将城市机动车尾气时空数据进行存储、训练、预测，直接进行时间‑空间双维度的预测分析，同时考虑天气、节假日等外部条件，用一个两层的全连接网络模拟外部影响因素特征，使预测结果更加全面准确。

主权项

1.基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于，包括以下步骤：步骤S1，采集目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据；步骤S2，对步骤S1所采集的全部数据进行预处理；步骤S3，构造基于LSTM的深度时空残差网络结构；步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于LSTM的深度时空残差网络结构，构造基于LSTM的深度时空残差网络结构的训练数据集、验证数据集和测试数据集；步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于LSTM的深度时空残差网络结构中，进行网络训练，然后采用步骤S4中的验证数据集和测试数据集对训练所得的参数进行调整，逐步提高预测精度；步骤S6，将经过步骤S5中网络训练、验证、测试后的基于LSTM的深度时空残差网络结构作为城市机动车尾气浓度的预测模型，将预处理后的目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据输入该网络结构，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。