[发明专利]一种基于BPANN与ε-SVR混合模型的PM2.5

说明书

本发明提供一种基于BPANN与ε‑SVR混合模型的PM_2.5浓度预测方法，属于细颗粒物污染的预测技术领域。本发明包括：将ε‑SVR模型的输出作为BPANN模型的输入建立BPANN与ε‑SVR混合模型、对BPANN与ε‑SVR混合模型进行训练，对未来时段PM_2.5浓度的预测三个部分；其中混合模型进行训练过程中，先使用ε‑SVR算法进行分段训练，寻找最优的参数值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；然后把S作为所述混合模型BPANN部分的输入，经过多次迭代训练，得到训练好的混合模型。本发明解决了现有监测手段无法简便而准确的预测出区域内PM_2.5浓度的问题。本发明可用于区域内PM_2.5浓度长时间的预测。

技术领域

本发明涉及一种PM_2.5浓度预测方法，属于细颗粒物污染的预测技术领域。

背景技术

细颗粒物(PM_2.5)引发空气霾污染频发的主要原因，同时也是导致肺癌发病率和死亡率升高的重要因素。PM_2.5易附带有毒的重金属离子，且在大气中的停留时间长、输送距离远，极难消散。现代社会PM_2.5污染越来越受到广泛的关注，传统的监测手段无法有效和准确的预测出区域内PM_2.5浓度，从而不能及时有效的给出警示。

BPANN是人工神经网络中的一种，其原理按误差反向传播训练的多层前馈型网络，其算法称为BP算法，基本的思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差最小。BP人工神经网络(BPANN)包含输入层、隐含层和输出层，内部结构如图2所示。输入层有多个节点，每个节点表示一种输入参数；隐含层有多个神经元，算法主要实现在隐含层中；输出层的功能为输出隐含层算法实现的结果。每两个相邻的层级之间单向传播，训练和学习的规则使用梯度下降法，通过阈值的判断反相传播而不断的调整网络的权值，使得整个网络的误差平方和最小。由于BP人工神经网络具有很强的非线性映射能力和柔性的网络结构，且收敛速度快，结构简单，但是学习过程多以经验最小化原则，依赖经验成分较多，容易出现过拟合现象。

支持向量回归基于统计学基础，以实现结构风险最优化为原则，把复杂的结构化问题转化为核函数选择问题。SVR把原有的二次凸化问题转换成约束更简单的对偶问题且二者等价，使用核函数展开定理，不仅几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。ε-SVR是在SVR的基础上给定了一个参数范围ε，原始的SVR模型中只有当学习得到的f(x) 完全等于y值时，模型损失才为零；假使模型的损失容忍度最多有ε范围的偏差，以f(x)为中心构建出一个宽度为2ε的偏差域，训练样本处于此区域内也被算作正确预测，则模型学习能力将会更加优秀。ε-SVR大大减轻了对样本集的依赖，且学习泛化能力强，可以避免“维数灾难”，但模型训练时需要把样本集映射到一个高维的空间中，当样本集较大时，计算的复杂度会大大增加，耗费较多的时间和资源。

发明内容

本发明为解决现有监测手段无法简便而准确的预测出区域内PM_2.5浓度的问题，提供了一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法。

本发明所述一种基于BPANN与ε-SVR混合模型的PM_2.5浓度预测方法，通过以下技术方案实现：

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：