[发明专利]一种融合EMD和LSTM的城市PM2.5浓度预测方法

权利要求书

1.一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，包括以下的步骤：

步骤S1：获取每小时时间序列数据，对获取的数据进行数据清洗；

步骤S2：使用经验模态分解EMD对PM_2.5浓度数据进行平稳化处理，得到多个分量；

步骤S3：确定滑动时间窗口T，对每个分量进行数据序列段切分处理，并归一化统一量纲，得到多个数据集；

步骤S4：将数据集划分为训练集和测试集，分别构建LSTM网络模型进行训练；

步骤S5：使用训练好的模型对各个分量进行预测，并对其进行反归一化处理，得到最终的城市PM_2.5浓度预测结果。

2.根据权利要求1所述的一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，步骤S1所述的数据清洗包括删除异常值，通过线性插值方法填充缺失值，公式如下：

其中，t表示缺失数据的时刻，m表示大于t时刻的最近有值的时刻，n表示小于t时刻的最近有值时刻，X_m表示m时刻的数据，X_n表示n时刻的数据，X_t表示待填充的数据。

3.根据权利要求1所述的一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，步骤S2所述的经验模态分解EMD方法，将非线性、非平稳性的PM_2.5时间序列数据分解为12个具有不同尺度、平稳性和周期波动性特点的本征模函数(IMF)和一个代表原始信号总体趋势的残余量(RES)：

4.根据权利要求1所述的一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，步骤S3所述的滑动时间窗口T设置为3，LSTM模型的输入是一个滑动时间窗口为T的序列段，即预测T+1时刻的PM_2.5浓度值需要将前T时刻的空气污染物历史数据和气象数据作为输入，因此需要对时间序列段进行切分处理，采用时间窗口为3，移动步长step为1的滑动窗口切分法；

步骤S3所述的数据标准化将不同量级的数据统一转化为同一个量级，计算公式为：

其中，x_ori表示待处理的数据，μ表示样本数据的平均值，σ表示样本数据的标准差，x表示经过z-score标准化后的输出数据。

5.根据权利要求1所述的一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，步骤S4采用LSTM对分解后的各IMF分量和残余量RES分别进行建模，将数据集按照80％，10％，10％的比例划分为训练集、验证集和测试集，将前3小时的空气污染物数据、气象数据作为输入数据来预测未来1小时的PM_2.5浓度，设置模型的输入层神经元个数为13，隐藏层神经元个数为7，输出层神经元个数为1，模型的损失函数为MSE损失函数，优化器选择为Adam优化器，学习率为0.001，模型的评价指标为均方根误差函数RMSE和平均绝对百分误差函数MAPE。

6.根据权利要求1所述的一种融合EMD和LSTM的城市PM_2.5浓度预测方法，其特征在于，步骤S5所述的反归一化计算公式为：

x_out＝σ×x_pred+μ

其中，x_pred表示经过步骤S4网络模型输出的数据，μ表示样本的平均值，σ表示样本的标准差，x_out表示经过反归一化后的PM_2.5浓度预测结果。