[发明专利]一种PM2.5浓度预测方法、装置及介质

权利要求书

1.一种PM2.5浓度预测方法，其特征在于，该方法基于CNN和双向GRU神经网络，包括如下步骤：

S10、基于一维卷积神经网络CNN和双向GRU神经网络搭建PM2.5预测模型；

所述的PM2.5预测模型，具体为：

所述一维卷积神经网络CNN的输入端连接气象数据张量，一维卷积神经网络CNN的输出端连接双向GRU神经网络的输入端，双向GRU神经网络的输出端接入全连接层，最后一层包含一个用于生成PM2.5浓度预测值的神经元；

S20、将气象训练数据张量送入PM2.5预测模型进行训练；

具体为：

所述一维卷积神经网络CNN分别对每个输入变量时间序列进行局部特征学习并降维，依次经过卷积和池化操作，形成低维特征序列；将特征序列输入双向GRU神经网络，双向GRU神经网络从时间正序和时间逆序学习特征序列；

S30、将气象测试数据张量送入已训练完成的PM2.5预测模型中进行预测，获取PM2.5预测浓度值。

2.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，步骤S10之前还包括：

S01、获取气象数据，并对气象数据进行预处理及标准化；

S02、构造批量数据生成器，生成神经网络输入张量。

3.根据权利要求2所述的PM2.5浓度预测方法，其特征在于，所述的气象数据，包括但不限于：PM2.5浓度、露点、温度、气压、风向、风速、降雪量及降雨量。

4.根据权利要求2所述的PM2.5浓度预测方法，其特征在于，所述的批量数据生成器，其指定预测输入包含时间步个数、预测目标在未来的时间步个数及每个批量包含样本数，其返回是一个元组，即多变量输入数据的一个批量，对应的目标PM2.5浓度数组。

5.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，所述的局部特征学习并降维，具体为：使用卷积层进行局部特征学习，使用层池化层进行子采样，降低各个一维输入的长度。

6.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，所述的PM2.5预测模型，使用平均绝对误差作为损失函数，训练中在每个小批量上根据平均绝对误差值进行反向传播运算，并选择均方误差作为模型的误差评价指标，衡量预测的好坏。

7.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，所述的双向GRU神经网络，包括两个GRU神经网络，分别从时间正序和时间逆序处理输入时间序列，GRU神经网络的重置门和更新门在大量训练中不断调整自身参数，使其从一维卷积神经网络CNN提取的数据中学习数据间的时间依从关系。

8.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，所述的将气象训练数据张量送入PM2.5预测模型进行训练，在模型的层与层之间广泛引入Dropout技术以预防过拟合。

9.一种PM2.5浓度预测装置，其特征在于，包括：

处理器；

存储器，耦合至所述的处理器并存储有指令，所述的指令在由所述处理器执行实现权利要求1至8中任一项所述的PM2.5浓度预测方法的步骤。

10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质存储有PM2.5浓度预测方法的应用程序，所述应用程序实现如权利要求1至8中任一项所述的PM2.5浓度预测方法的步骤。