[发明专利]一种基于混合门限神经网络的PM2.5浓度值预测方法

摘要

一种基于混合门限神经网络的PM2.5浓度值预测方法，包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；步骤2、通过更新门函数和重置门函数构建了模拟门限网络，对原始数据进行初步预测，得到了PM2.5模拟数据；步骤3、通过更新门函数、重置门函数和softmax函数构建了判别门限网络，对模拟数据的真实性进行了判别；步骤4、采用混合门限神经网络预测PM2.5浓度值。本发明有效地提高当前PM2.5浓度值的预测精度与训练速度，拓宽了神经网络预测的局限性，能够实现长时期的数据精准预测。

主权项

1.一种基于混合门限神经网络的PM2.5浓度值预测方法，其特征在于，所述方法包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；步骤2、采用模拟门限网络生成模拟数据，过程如下：步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；步骤2.2、分别设定输入层、输出层数据的维度，网络的期望误差最小值、最大迭代次数和学习率；步骤2.3、分别设定更新门函数和重置门函数，以及隐含层、连接层和输出层的训练函数、连接函数和输出函数：r_t＝σ(W_r·[h_t‑1,x_t])   (2)z_t＝σ(W_z·[h_t‑1,x_t])   (3)y_t＝σ(W_o·h_t)   (6)其中，z_t为更新门函数，r_t为重置门函数，x_t为t时刻输入层输出，为t时刻隐含层输入，h_t为t时刻隐含层输出，y_t为t时刻输出层输出；步骤2.4、设定损失函数：其中，y_d为真实目标值。步骤2.5、将原始数据输入网络，产生一组新的PM2.5预测数据，作为模拟数据，记作D(m)；步骤3、采用判别门限网络判断模拟数据的真伪，过程如下：步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；步骤3.2、分别设定输入层、输出层数据的维度，网络的期望误差最小值、最大迭代次数和学习率；步骤3.3、分别设定更新门函数和重置门函数，以及隐含层、连接层和输出层的训练函数、连接函数和输出函数：r_t＝σ(W_r·[h_t‑1,x_t])   (9)z_t＝σ(W_z·[h_t‑1,x_t])   (10)y_t＝σ(W_o·h_t)   (13)其中，z_t为更新门函数，r_t为重置门函数，x_t为t时刻输入层输出，为t时刻隐含层输入，h_t为t时刻隐含层输出，y_t为t时刻输出层输出；步骤3.4、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；其中，V_i是分类器前级输出单元的输出，i表示类别索引，总的类别个数为C，S_i表示的是当前元素的指数与所有元素指数和的比值；步骤3.6、将模拟数据和对应的真实数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示模拟数据为真实数据的概率；步骤4、采用混合门限神经网络预测PM2.5浓度值，过程如下：步骤4.1、将模拟门限网络中生成的模拟数据与原始数据输入判别门限神经网络，建立混合门限神经网络并训练；步骤4.2、计算判别门限网络损失函数：L_D＝‑((1‑y)log(1‑D(G(m)))+ylogD(x))   (15)y为输入数据的类型，当输入数据为真实数据时，y＝1，损失函数公式的前半部分为0，D(x)为判别门限模型的输出，表示输入数据为真实数据的概率；当输入数据为非真实数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成模型的输出；步骤4.3、计算混合门限神经网络的损失函数：其中，表示判别门限模型的预测类别，对预测概率取整为0或者1，用于更改梯度方向；步骤4.4、根据损失函数的误差进行反向传播，调整混合门限神经网络的各层权值，调整方式如下：步骤4.5、判断混合门限神经网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述混合门限神经网络训练完成；步骤4.6、将待测数据输入到所述训练完成的混合门限神经网络中，输出PM2.5浓度值的最终预测值。