[发明专利]一种PM2.5浓度预测方法

权利要求书

1.一种PM2.5浓度预测方法，其特征在于，包括以下步骤：

步骤1，利用灰狼优化算法随机生成与待优化BP神经网络相对应的狼群；

步骤2，训练所述待优化BP神经网络，计算所述狼群中每匹狼所对应的适应度值；选择适应度值最好的三匹狼依次标记为α、β和δ，记录α、β和δ各自的位置信息和适应度值；

步骤3，基于α、β和δ各自的位置信息和适应度值，利用灰狼优化算法计算获得优化后的BP神经网络模型；

步骤4，将PM2.5浓度预测数据作为输入信息，利用所述优化后的BP神经网络模型计算获得PM2.5浓度预测结果；

所述步骤3还包括：

S31，利用灰狼优化算法更新α、β和δ之外的其它狼W的位置信息；更新灰狼优化算法参数；

S32，重复循环步骤2和步骤3，直至确认满足迭代终止条件，利用α狼的位置信息更新BP神经网络的权值和阈值；

S33，利用PM2.5浓度训练数据对所述BP神经网络进行训练，获得优化后的BP神经网络模型；

所述步骤4中利用α狼的位置信息更新BP神经网络的权值和阈值还包括：

W_i＝X(K+1:K+l_i×l_i+1)，

B_i＝X(K+l_i×l_i+1+1:K+l_i×l_i+1+l_i+1)，

其中：

W_i为BP神经网络第i层与第i+1层之间的权值，B_i为第i+1层阈值，X为α狼的位置，l_th为BP神经网络第th层神经元的个数，Th是BP神经网络总层数；

其中，所述步骤1之前还包括：

对原始数据进行异常数据剔除，并按照天气、风力、风向特征对经过异常数据剔除后的原始数据进行分类及数据格式转换，转换为神经网络可以识别的信息，其中，天气数据的类型包括：雾、小雨、小到中雨、阵雨、雷阵雨、中雨、中到大雨、大雨、大到暴雨、暴雨、雨夹雪、小雪、小到中雪、中雪和大雪；风力数据的类型包括：微风、3-4级、4-5级、5-6级和6-7级；风向数据的类型包括：东风、东南风、东北风、北风、西北风、西风、西南风和南风；

将前一天的PM2.5值、气象数据和污染物浓度数据与后一天的PM2.5值、气象数据和污染物浓度数据一一对应，将前一天的PM2.5值、气象和污染物浓度数据作为输入样本，将后一天的PM2.5值、气象数据和污染物浓度数据作为所述输入样本对应的实际输出；

将生成的样本随机打乱，最后进行数据归一化处理后，获得所述PM2.5浓度训练数据。

2.如权利要求1所述的方法，其特征在于，所述步骤1前还包括：设定待优化BP神经网络的拓扑结构，设定待优化BP神经网络初始权值w和阈值b的大小；设定狼群规模和灰狼优化算法最大迭代次数和/或迭代精度。

3.如权利要求1所述的方法，其特征在于，所述步骤1中利用灰狼优化算法随机生成与待优化BP神经网络相对应的狼群还包括：利用待优化BP神经网络的拓扑结构确定狼位置的维度。

4.如权利要求1所述的方法，其特征在于，所述步骤2中计算每匹狼所对应的适应度值还包括：将前一天的PM2.5值、气象数据和污染物浓度数据作为神经网络的输入，将后一天的PM2.5值作为神经网络输出，将PM2.5在神经网络输出误差作为灰狼优化算法的适应度函数，利用所述适应度函数计算每匹狼所对应的适应度值。

5.如权利要求1所述的方法，其特征在于，所述步骤4中迭代终止条件包括：满足灰狼优化算法最大迭代次数或达到设置的迭代精度后停止GWO算法对神经网络的优化。

6.如权利要求3所述的方法，其特征在于，所述步骤1中利用待优化BP神经网络的拓扑结构确定狼位置的维度还包括：

其中，l_th是BP神经网络第th层神经元个数，Th是BP神经网络总层数，所述BP神经网络总层数包括BP神经的输入层和输出层。