[发明专利]一种PM2.5浓度预测方法、装置及介质

说明书

本发明公开一种PM2.5浓度预测方法、装置及介质，涉及污染物预测技术领域，该方法基于CNN和双向GRU神经网络，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；将气象训练数据张量送入PM2.5预测模型进行训练；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；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；该模型有效利用卷积神经网络的速度和轻量特性与RNN的顺序敏感性，允许在训练时查看更多的数据量，提高预测准确度。

技术领域

本发明涉及污染物预测技术领域，尤其涉及一种PM2.5浓度预测方法、装置及介质。

背景技术

如今，许多城市遭受着经常性的大规模雾霾侵袭，影响了人们的日常出行，甚至对人们的健康造成了严重的危害。PM2.5是雾霾的主要成分，治理雾霾、改善空气质量的首要任务是控制PM2.5，PM2.5浓度预测是空气质量预测的主要内容。有效掌握PM2.5浓度变化的可靠信息，实现对大气污染防治的高效、准确预测，具有重要意义。空气污染的变化通常可由诸多气象因素反映出来，如温度、湿度、风向、风速、降雪、降雨等，因此，充分利用气象信息，建立一个包含多个相关气象因素的PM2.5预测模型是一个可靠地解决方案。

从现有文献来看，空气质量预测方法大致可以分为统计学方法、浅层机器学习方法和深度学习方法。统计方法包括回归模型、指数平滑模型、ARIMA模型和多层线性回归模型等等，由于这些方法对非线性数据建模能力有限，预测精度不能满足要求；浅层机器学习方法包括人工神经网络、决策树、随机森林、支持向量机、贝叶斯网络等，这些方法在预测任务上有着优异的表现，但也存在这表示能力不足、易陷入局部最优解、收敛速度慢等问题，不适合于处理大样本数据；近年来，随着GPU性能的提升和深度学习理论的逐渐成熟，深度学习算法在预测任务方面表现出了强大的能力，常用的模型是循环神经网络及其各种变体，如长短期记忆网络(Long Short-Term Memory，LSTM)、门控循环单元(Gated RecurrentUnit，GRU)等。就空气质量预测而言，多种气象因素增加了PM2.5浓度影响的理解难度，学习到深层次的特征表示、提高预测准确度仍然是一个重大难题。

发明内容

本发明针对背景技术的问题提供一种PM2.5浓度预测方法、装置及介质，综合利用卷积神经网络的特征提取能力和循环神经网络的时序预测能力，首先，利用卷积神经网络对数据进行下采样降低数据的规模和复杂程度，提高模型整体的泛化和学习能力，随后，将降维后的数据喂入循环神经网络，进一步挖掘气象数据中不同数据源提供的信息特征，建立多变量时间序列与空气污染物PM2.5时间序列之间的非线性关系。该模型有效利用卷积神经网络的速度和轻量特性与RNN的顺序敏感性，允许在训练时查看更多的数据量，提高预测准确度。

为了实现上述目的，本发明提出一种PM2.5浓度预测方法，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；