[发明专利]一种融合EMD和LSTM的城市PM2.5浓度预测方法

说明书

一种融合EMD和LSTM的城市PM_2.5浓度预测方法涉及空气质量浓度预测领域。首先，获取每小时时间序列数据，对获取的数据进行数据清洗；然后，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；接着，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；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，最后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。在此基础上构建长短期记忆神经网络LSTM模型并进行训练；最后，使用训练好的模型进行预测，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。

技术领域

本发明涉及一种空气质量浓度预测方法，尤其是涉及一种融合EMD和 LSTM的深度学习城市PM_2.5浓度预测方法

背景技术

随着我国城市化和工业化的快速发展，大部分城市，特别是北方地区， 都出现了严重的空气污染问题。空气污染不仅严重影响了日常的交通出行， 还会导致许多的健康问题，例如呼吸道疾病、心血管疾病等。自从2011年北 京空气污染数据在美国大使馆发布之后，城市居民的环境保护意识日益提高， 越来越多的人开始重视城市的空气质量问题。随着大数据和深度学习等新型 信息技术的日益发展，如何利用空气污染大数据及深度学习技术对城市空气 污染物浓度进行科学有效的预测是当前大气污染治理领域的热点问题。

城市PM_2.5浓度预测是一个典型的时间序列预测问题。近年来，学术界运 用多种方法对时间序列预测模型进行研究。如ARIMA预测模型、支持向量回 归预测模型等。然而，ARIMA预测模型等不能很好的对非线性时间序列进行 预测，随着大数据和深度学习的发展，BP神经网络和RNN神经网络的出现 解决了这一难题。长短期记忆网络(Long Short-Term Memory，LSTM)是1997 年提出的一种RNN改进模型，其模型设计的主要目的是为了解决标准RNN 在处理长期依赖问题时容易发生梯度消失和梯度爆炸的问题，目前已被广泛的应用在股票预测、交通流量预测等领域。但是神经网络预测模型只能挖掘 不同时段相同维度上的数据信号，不能对噪音等进行平稳处理，因此本文提 出了一种融合EMD和LSTM的深度学习时间序列预测方法。

发明内容

发明目的：本发明的目的就是针对现有技术存在的问题，提出了一种融 合EMD和LSTM的城市PM_2.5浓度预测方法来提高预测模型的精度。

技术方案：本发明所诉的一种融合EMD和LSTM的城市PM_2.5浓度预测 方法，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；

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。