[发明专利]基于多重融合卷积GRU的PM2.5数据预测方法

说明书

本发明公开了基于多重融合卷积GRU的PM2.5数据预测方法，包括以下步骤：构建PM2.5数据的预测模型；利用训练集数据，对所述PM2.5数据的预测模型进行训练；将测试集数据输入训练完毕的PM2.5数据的预测模型中，计算获得PM2.5的预测值；所述预测模型包括第一融合层、第二融合层和输出层，各层之间依次顺序连接，前一层的输出为后一层的输入。本发明方法通过三个卷积层将两个双向GRU层串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，使得PM2.5的预测有更高的精度和更好的性能。

技术领域

本发明属于空气污染数据处理与预测技术领域，具体涉及基于多重融合卷积GRU(Gated Recurrent Unit，门控循环单元)的PM2.5数据预测方法。

背景技术

空气污染问题已经成为了社会普遍关注的重要问题之一。每年空气污染会导致300万人死亡，并且这个人数还在不断上升。在中国，雾霾的影响日益增大，其中最为关键的PM2.5及以下的微粒。由于PM2.5在吸入人体以后，其中75％会在肺泡内沉积，导致呼吸系统感染，胎儿发育等严重健康问题。政府一直致力于如何减少空气污染以及对人们健康的影响。一方面，政府通过限制污染企业、提倡绿色清洁能源的使用，努力治理减少空气污染物排放的同时，另一方面通过提前预测未来PM2.5浓度信息发布公众，提醒人们在极端恶劣的条件下减少户外活动，能够给人们的身体健康给与最大限度的保护。因此，对于PM2.5污染浓度的预测研究尤为重要。

目前对于PM2.5污染浓度的预测精度仍然不够，难以满足人们的需求。主要采用的方法有基于回归的预测、基于随机森林的预测、基于SVM的预测以及基于神经网络的预测。近年来，随着人工智能技术的发展，越来越多的人发现基于神经网络的预测方法优势较为突出，能够取得较好效果。大量学者采用了LSTM、Con-LSTM方法对空气污染浓度进行了预测，然而精度不够理想。并且实验证明，单纯的增加LSTM或者Con-LSTM单元的个数并不能对预测精度进行提高。

发明内容

有鉴于此，本发明的目的在于提供基于多重融合卷积GRU(门控循环单元)的PM2.5数据预测方法，通过三重卷积的方式将两个双向循环GRU模型进行连接，使得对PM2.5数据的预测取得了较好的效果。

本发明的目的是这样实现的，包括以下步骤：

步骤1，构建PM2.5数据的预测模型；

步骤2，利用训练集数据，对所述PM2.5数据的预测模型进行训练；

步骤3，将测试集数据输入训练完毕的PM2.5数据的预测模型中，计算获得PM2.5的预测值；

所述预测模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；

所述训练集数据包括影响因素数据和已知的PM2.5观测数据；

所述的测试集数据为待预测的PM2.5数据的影响因素数据。

具体地，所述影响因素数据包括predictionHours前历史PM2.5数据、光照强度、露点温度、空气湿度、气压、温度、风速、每小时降雨量、8小时历史总降雨量、时间、季节、风向共20栏数据；所述时间分为白天和黑夜2栏；所述的季节分为春季、夏季、秋季、冬季4栏，风向分为东风、南风、西风、北风、无风5栏；其中，predictionHours是一个预设参数，代表预测未来predictionHours小时的PM2.5浓度。