[发明专利]结合SOFM网与BP神经网络的雾霾预测模型建立方法及系统

说明书

本发明公开了一种结合SOFM网与BP神经网络的雾霾预测模型建立方法及系统，先获取SOFM训练用数据，再将SOFM训练用数据输入至SOFM网进行训练直至达到预设的学习效率；然后分别获取每个所述数据组中各个所述模式下的下一时间的AQI值；最后将SOFM网训练后的数据以及所述下一时间的AQI值输入至BP神经网络进行训练，训练时以SOFM网训练后一个模式所对应的各个影响因素的值作为输入，该模式下的下一时间的AQI值作为对应的输出。本发明建立的雾霾预测模型能够准确地对雾霾进行预测，且相对于BP神经网络的预测模型，预测精度更高。

技术领域

本发明涉及环境领域，更具体地说，涉及一种结合SOFM网与BP神经网络的雾霾预测模型建立方法及系统。

背景技术

雾霾主要由二氧化硫、氮氧化物和可吸入颗粒物这三项组成，而AQI(空气质量指数)是定量描述空气质量状况的无量纲指数。现今，气象部门AQI数据是实时发布的，并不利于安排后续的预警措施，因此雾霾预报成了环境监测亟待解决的问题。然而，预报的难度不仅仅在于雾霾预报涉及的因素众多，许多影响因素都在实时变化和扩散，而且需要庞大的计算能力，和精确的计算模型。

发明内容

本发明要解决的技术问题在于，针对现有技术难以完成雾霾的预报的技术缺陷，提供了一种结合SOFM网与BP神经网络的雾霾预测模型建立方法及系统。

根据本发明的其中一方面，本发明解决其技术问题所采用的技术方案是：构造一种结合SOFM网与BP神经网络的雾霾预测模型建立方法，包含如下步骤：

S1、获取SOFM训练用数据，所述SOFM训练用数据包含多个数据子样本，每个数据子样本包含多个模式，每个模式包含多个影响因素的值以及与该模式的影响因素对应的AQI值；其中，所述模式按照一天的时间段进行划分，每个模式代表一个时间段；

S2、将SOFM训练用数据输入至SOFM网进行训练直至达到预设的学习效率；

S3、分别获取每个所述数据组中各个所述模式下的下一时间的AQI值；

S4、将SOFM网训练后的数据以及所述下一时间的AQI值输入至BP神经网络进行训练，训练时以SOFM网训练后一个模式所对应的各个影响因素的值作为输入，该模式下的下一时间的AQI值作为对应的输出；

其中，训练完成的模型用于对雾霾进行预测；训练完成的模型对于每一个结果的预测：是以实际获取的一个模式下的所述多个影响因素的值及对应的AQI值作为输入，下一时刻的AQI值作为预测结果。

进一步地，在本发明的结合SOFM网与BP神经网络的雾霾预测模型建立方法中，所述多个影响因素具体是指湿度、温度、风速、降雨量、PM10、PM2.5、SO₂、NO₂、CO、O₃十类影响因子。

进一步地，在本发明的结合SOFM网与BP神经网络的雾霾预测模型建立方法中，所述BP神经网络中隐含层的节点数通过下式进行确定：

式中，m为节点数，n为所述多个影响因素的个数，l为BP神经网络的输出节点数，[x]表示不大于x的最大正整数。

进一步地，在本发明的结合SOFM网与BP神经网络的雾霾预测模型建立方法中，所述BP神经网络中隐含层和输出层中所采用的变换函数均为单极性Sigmoid函数。

进一步地，在本发明的结合SOFM网与BP神经网络的雾霾预测模型建立方法中，还包括下述步骤：

获取测试用数据，利用步骤S1-S4对测试数据进行处理得到AQI的测试结果，将测试结果与实际数值进行比对，判断模型的预测准确度。

根据本发明的另一方面，本发明为解决其技术问题，还提供了一种结合SOFM网与BP神经网络的雾霾预测模型建立系统，包含如下模块：