[发明专利]一种空气污染物浓度预测方法

说明书

技术领域

本发明涉及一种数据预测方法，尤其涉及一种空气污染物浓度预测方法。

背景技术

目前，常用的城市空气污染物浓度预报方法主要有数值预报、逐步线性回归模型、灰色预测、自回归移动平均模型(AutoRegressiveandMovingAverage，ARMA)、支持向量回归模型(SupportVectorMachine，SVR)、支持向量回归模型、人工神经网络模型等。其中，自回归移动平均模型是建模平稳时间序列的有效工具，在城市空气污染物浓度预报中得到了广泛的应用。

空气污染物浓度由于受多种气象条件和大气理化过程影响，会出现各种异常情况，而现有自回归移动平均模型无法反映短时事件和意外事件的影响，预测不是很理想。

发明内容

本发明的目的在于克服现有技术中存在的上述不足，而提供一种空气污染物浓度预测方法，解决现有技术中预测空气污染物浓度的精度不高的问题。

本发明提供了一种空气污染物浓度预测方法，包括：对空气污染物浓度数据使用Mallat算法进行多尺度小波分解，对最后一级尺度的低频近似序列使用支持向量回归模型即SVR建模预测，对其它高频细节序列使用自回归移动平均模型即ARMA建模预测，使用Mallat算法对各级系数序列进行重构，得到空气污染物浓度的预测结果。

上述方法还可以具有以下特点：所述方法中进行三级尺度的小波分解，并且对第一级高频细节序列、第二级高频细节序列、第三级高频细节序列均使用ARMA进行建模预测，对第三级低频近似序列使用SVR建模预测。

上述方法还可以具有以下特点：所述方法中重构时，先将第三级低频近似序列和第三级高频细节序列预测结果经过滤波器系数加权和得到第二级低频近似序列的预测值；结合第二级高频细节序列预测值得到第一级低频近似序列预测值；最后结合第一高频细节序列预测值，得到最终预测结果。

上述方法还可以具有以下特点：采用最小二乘法对ARMA模型的参数进行估计。

上述方法还可以具有以下特点：采用在SVR模型中采用交叉验证法确定惩罚系数C、带宽参数σ。

上述方法还可以具有以下特点：在ARMA模型中使用赤池信息量准则选择模型的阶数

本发明的预测方法中，使用了多尺度小波分解，并针对不同模型的适用特点对小波分解后不同级别尺度的序列使用不同的模型，即利用ARMA更适用于平稳序列的预测以及SVR更适用于不平稳序列的预测的特点对最后一级尺度的相对较为不平稳的低频近似序列使用SVR建模预测并且对其它相对较为平稳的高频细节序列使用ARMA建模预测。该方法可以实现较高的预测精度。

附图说明

图1是一种空气污染物浓度预测方法的流程图；

图2是具体实施例中空气污染物浓度预测方法的流程图。

具体实施例

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是空气污染物浓度预测方法的流程图，此方法包括以下步骤：

步骤1，对空气污染物浓度数据使用Mallat算法进行多尺度小波分解。

步骤2，对最后一级尺度的低频近似序列使用SVR建模预测，对其它高频细节序列使用ARMA建模预测。

步骤3，使用Mallat算法对各级系数序列进行重构，得到空气污染物浓度的预测结果。

下面对上述方法进行详细说明。

本方法中步骤1中的多尺度小波分解采用Mallat算法实现。运用Mallat算法，可以将信号逐层分解，每一层分解的结果是将上次分解得到的低频信号再分解成低频和高频两部分。计算公式如下