[发明专利]一种基于时刻关联网络的PM2.5浓度值预测方法

权利要求书

1.一种基于时刻关联网络的PM2.5浓度值预测方法，其特征在于，所述方法包括如下步骤：

步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据以及月份、日期和时刻数据；

步骤2、采用编码方式对月份、日期和时刻数据进行无差别量化处理，过程如下：

步骤2.1、对于12个月份，采用12个编码来表示12个特征值；

步骤2.2、如步骤2.1所示，对于31个日期和24个时刻，分别采用31个编码和24个编码来各自的特征值；

步骤3、采用时刻关联网络进行训练，过程如下：

步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：

上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；

步骤3.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数：

h^(1,2,...,n)＝σ(z)＝σ(Ux^(1,2,...,n)+Wh^{(0,1,...,n-1)}+b) (2)

o^(2,...,n+1)＝Vh^(1,2,...,n)+c (3)

其中，t＝0,1,2,…,n+1代表时刻，x^(t)代表t时刻训练样本的输入；h^(t)代表t时刻模型的隐藏状态，h^(t)由x^(t)和h^(t-1)共同决定；o^(t)代表t时刻模型的输出，o^(t)只由模型当前的隐藏状态h^(t)决定；y^(t)代表t时刻训练样本序列的真实输出；U，W，V这三个矩阵是模型的线性关系参数；

步骤3.3、设定网络的期望误差最小值、最大迭代次数和学习率；

步骤3.4、训练循环神经网络，计算损失函数：

步骤3.5、根据误差调整循环神经网络的各层权值，其中V，c的梯度计算如下：

在反向传播时，在某一序列位置n的梯度损失由当前位置的输出对应的梯度损失和序列索引位置n+1时的梯度损失两部分共同决定，对于W在某一序列位置n的梯度损失需要反向传播一步步地计算，定义序列索引n+1位置的隐藏状态的梯度为：

W，U，b的梯度计算表达式：

c，b为偏置值；

步骤3.6、判断循环网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述时刻关联网络训练完成；

步骤3.7、将所述采集数据和时刻数据输入到所述训练完成的时刻关联网络中，输出PM2.5浓度值的最终预测值。

2.如权利要求1所述的一种基于时刻关联网络的PM2.5浓度值预测方法，其特征在于，所述PM2.5浓度值指标包括AQI、PM10、NO₂、CO、SO₂和O₃浓度，所述时刻数据包括月份，日期和时刻。

3.如权利要求1或2所述的一种基于时刻关联网络的PM2.5浓度值预测方法，其特征在于，所述步骤2中，通过编码方式对时刻信息进行了无差别量化处理。

4.如权利要求1或2所述的一种基于时刻关联网络的PM2.5浓度值预测方法，其特征在于，所述步骤3中，通过对输入维度和输出维度的关联处理构建了时刻关联网络，对数据进行了时序训练和预测。