[发明专利]一种基于Elman神经网络优化空气质量数值的算法

说明书

本发明涉及一种基于Elman神经网络优化空气质量数值的算法。该方法首先在气象数据，地理数据，污染源清单数据的驱动下运行空气质量数值模式CMAQ和CAMx。将运行结果进行预处理，去除缺测值，然后对实测数据和空气质量数值模式输出数据进行归一化处理。将处理后的数据输入到Elman神经网络模型进行训练，得到训练模型。将需要优化的CMAQ和CAMx数据输入到模型，得到优化后的结果，并将预测结果返回给用户。本发明方法通过相关实验验证了方法的准确性。

技术领域

本发明涉及人工智能和大气科学领域，具体的说是一种基于Elman神经网络优化空气质量数值的算法。

背景技术

随着科技的发展和生活水平的提高，人们对空气质量越来越重视，各项污染物浓度数据是计算空气质量指数进而衡量空气质量的重要依据。空气质量数值模式是一种通过大气物理化学方式来模拟污染物之间的相互反应、传输和转化过程，进而预测空气质量的方法。然而空气质量模式受气象数据，地理数据，污染源清单数据的驱动，驱动数据不理想的情况下，会对预测结果造成影响。

因此本文提了一种基于Elman神经网络来优化CMAQ和CAMx两种数值模式预测结果的方法，使得预测结果在数值模式基础上达到更高的准确度。

发明内容

在分析空气质量数值模式CMAQ和CAMx预测结果时发现，6项常规污染物都有不同程度的预测偏差，本发明要解决的技术问题是提高预测结果的准确率，减小预测结果的误差。

本发明为实现上述目的所采用的技术方案是：一种基于Elman神经网络优化空气质量数值的算法包括以下步骤：

(1)在气象数据、地理数据、污染源清单数据的驱动下运行空气质量数值模式CMAQ和CAMx；

(2)对运行结果进行预处理，得到空气质量模式输出结果；

(3)对实测数据和空气质量模式输出结果分别进行归一化处理；

(4)将归一化后的实测数据和空气质量模式输出结果分别输入到Elman神经网络；

(5)训练Elman神经网络，得到训练模型；

(6)将CMAQ和CAMx实时数据输入到步骤5中得到的模型，并将得到的数据进行反归一化处理还原到实际值。

所述预处理方法为：在CMAQ和CAMx的输出文件中提取出PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃的浓度数据，并将缺测值去掉。

所述CMAQ和CAMx的输出文件是三维的网格化的以时间为步长的二进制文件。

所述归一化方法如下：

X_norm表示归一化后的数据，X表示原数据，即空气质量模式CAMx输出数据、空气质量模式CMAQ输出数据和实测数据中的一种，X_min表示上述原数据集合中的最小值，X_max表示上述原数据集合中的最大值，归一化公式如下：

所述Elman神经网络训练方法包括以下步骤：

首先初始化各层节点的权值，输入训练数据，计算输入层，隐含层，输出层的输出，将隐含层上一轮的输出，输入到承接层，经过承接层处理后在本轮和输入层一起作为隐含层的输入，最后根据输出层的结果和误差函数计算误差，若误差满足要求或训练次数达到最大，则停止训练，否则更新权值，进入下一轮训练。

所述训练数据包括：输入为归一化后的实测数据以及空气质量模式的输出结果；输出为(0,1)范围内6项污染物的浓度值。