[发明专利]基于卷积全连接的双向门控循环单元的空气质量预测方法

说明书

本发明公开了一种基于卷积全连接的双向门控循环单元的空气质量预测方法，利用卷积神经网络提取出气象数据所包含的深度特征，随后利用循环神经网络学习数据的时序性和连贯性，最后通过全连接层预测所需的下一时刻的数据。在本专利中，由于气象数据对抗旋转性无较高要求，故我们选用一种特殊的无池化层的卷积网络提取相关特征。本方法可以在大量的学习样本中较为准确的预测数后一时刻的空气污染指标。从整体来看，本方法不仅可以预测单一指标，同时也可以预测输入数据特征的所有指标，一定程度上可以结合全局特征进行合理的预测，实现本专利中的预测功能。

技术领域

本发明属于深度学习领域，具体涉及一种基于卷积全连接的双向门控循环单元的空气质量预测方法。

背景技术

随着科技的快速发展，人工智能与深度学习已经得到了广泛应用。目前，雾霾预测的方法大致可分为三种类别：第一类是统计方法，第二类是传统的预测方法，第三类是深度学习算法。统计方法包括线性回归，灰色系统预测，马尔可夫预测等。大多数统计模型对数据都有一定的要求，并且这些模型也具有相对清晰的数学形式，很难用有限的数学公式描述具有复杂成分的数据。传统方法简单，理论成熟，易于实施，仅需搜索各种指标的历史统计数据即可建立出有效的学习模型。传统分析使分析未来的发展变得容易，尤其是短期趋势。深度学习算法可以建立环境指标与环境指标之间的内在映射关系，其预测精度明显高于传统的分析方法并且可以精确到特定的日期。为此，基于卷积全连接的双向门控循环单元神经网络(CDBGRU)被提出，相比其他方法，本方法在空气质量数据预测上具有更好的性能。

空气质量研究历史悠久，现有的大多数统计方法和浅层机器学习技术都可以解决空气质量预测问题。支持向量回归(SVR)，决策树回归(DTR)和梯度增强回归(GBR)等模型具有良好的性能。作为常见的回归器，SVR在许多情况下均具有良好的性能损失函数。根据核函数的类型，SVR可分为线性SVR，多项式SVR和rbf核SVR，大量的实验证明当数据较为复杂时rbf核SVR具有更好的性能，例如空气质量数据。DTR是基于决策树的算法，所以通常使用CART决策树进行回归。GBR是一种梯度提升模型，是一种从错误中学习的方法。本质上,它是收集信息并整合大量的算法进行学习。另外，许多研究显示空气质量数据中每个要素之间都有直接或者间接的关系。

但是，随着深度学习和大数据分析研究越来越深入，更多的研究者考虑如何将深度学习模型与空气质量数据结合，这是因为空气质量相关数据具备明显的动态时间序列关系和动态非线性特征，在这些关系下数据驱动模型逐渐被越来越多的研究者利用。到目前为止，大量的基于大数据分析和数据驱动的模型被提出，无一例外的在预测每个特征和污染值上都取得了较好的结果。由于气象数据复杂度较高且时序性过强，单一的CNN网络或RNN网络都很难适应当前的预测需求。而对于已经提出的CNN和RNN相结合的模型，无一例外这些模型都无法很好的提取出所需的深层特征用于预测。结合气象数据无需较强的抗旋转性，本专利提出一种基于无池化层的CNN和RNN相结合的网络模型，我们称之为基于卷积全连接的双向门控循环单元模型(CBDGRU)。

发明内容

发明目的：本发明提出一种基于卷积全连接的双向门控循环单元的空气质量预测方法，可以预测输入数据特征的所有指标，可以结合全局特征进行合理的预测，实现精准的预测功能。

技术方案：本发明所述的一种基于卷积全连接的双向门控循环单元的空气质量预测方法，包括以下步骤：

(1)利用卷积神经网络提取出预先获取的气象数据的深度特征；

(2)利用双向门控循环单元学习数据的时序性和连贯性；

(3)通过额外的两个全连接层预测所需的下一时刻的数据。

进一步地，步骤(1)所述的卷积神经网络用1X2卷积核的CNN+Relu代替原来的池化层，对输入变量进行局部特征学习和降维。