[发明专利]一种基于BPANN与ε-SVR混合模型的PM2.5

权利要求书

1.一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，其特征在于，具体包括以下步骤：

步骤A、分别建立BPANN模型与ε-SVR模型；然后将ε-SVR模型的输出作为BPANN模型的输入，得到BPANN与ε-SVR混合模型；

步骤B、对所述BPANN与ε-SVR混合模型进行训练：

B1、获取与PM_2.5浓度相关的数据，提取一段时间的MODIS AOD 08中每个栅格里的数据；获取五种气象因子数据包括风向、风速、相对湿度、行星边界层高度以及温度；所述MODISAOD表示利用中分辨率率成像光谱仪MODIS测得的大气气溶胶光学厚度AOD；

B2、把步骤B1中获取的数据进行时空上的匹配，并获取对应时间内站点实测的PM_2.5浓度数据，剔除异常值后求取月均值，通过月均值求取季节平均，并按照时间先后顺序生成数据集；

B3、对B2所生成的数据集进行归一化处理；

B4、把B3归一化处理后的数据作为所述混合模型的输入参数，使用ε-SVR算法进行分段训练，寻找二维数组中最优的参数值c、g，将输出的PM_2.5浓度与实测PM_2.5浓度对比，选择误差范围内的数据值作为结果集S；

B5、把结果集S作为所述混合模型BPANN部分的输入，抽取结果集S中的80％作为BPANN训练集，20％作为BPANN测试集，并将得出的预测结果与实测PM_2.5浓度进行精度验证；经过多次迭代训练，得到训练好的混合模型；

步骤C、对未来时段PM_2.5浓度的预测：

C1、将当前的MODIS AOD 08数据和五种气象因子数据进行与步骤B3中一致的归一化处理；将归一化处理处理后的数据输入步骤B5得到的训练好的混合模型中进行预测；

C2、对C1所得到的输出结果进行反归一化处理，得到预测的PM_2.5浓度值。

2.根据权利要求1所述一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，其特征在于，步骤A中建立BPANN模型时设置参数如下：

设置BPANN的激活函数选用sigmoid函数；

设置BPANN的学习效率0.01；

设置BPANN隐含层层数为3，节点数为10。

3.根据权利要求1或2所述一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，其特征在于，步骤A中ε-SVR模型建立过程具体如下：

设已知ε-SVR训练集T＝{(x₁,y₁)，(x₂,y₂),…,(x_i,y_i)}，其中，x_i∈Rⁿ，y_i∈Rⁿ；x_i为ε-SVR模型的输入，y_i为ε-SVR模型的输出；Rⁿ为实数集，n为训练集中数据的数目；i＝1,2,...,n；

采用的核函数为线性核函数、多项式核函数、径向基核函数、Sigmoid核函数中任意一种；

偏差范围ε的最优化问题通过下式求得：

其中，a_i均为最优化时选择的系数，且C为正数。

4.根据权利要求3所述一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，其特征在于，步骤B5中经过迭代训练次数为1000次。

5.根据权利要求4所述一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，其特征在于，步骤B3中使用min-max函数对B2所生成的数据集进行归一化处理，其公式为：

其中，max为样本最大值，min为样本最小值，X为步骤B2所生成的数据集，X^*为映射后的样本集。