[发明专利]一种基于在线增量学习的区域生态环境变化预测方法

说明书

本发明涉及生态环境预测模型领域，公开了一种基于在线增量学习的区域生态环境变化预测方法。本发明将卷积神经网络、长短期记忆神经网络和全连接神经网络与基于自适应遗传算法的增量极限学习机相结合。对传统的增量极限学习机进行了优化并提出了使用自适应遗传算法来得到模型的隐藏层最优节点数。并且使用增量学习的方法对区域式生态环境的变化进行预测，这种方法能够根据新的环境数据的变化去在线的训练模型，通过该方法也能够大幅度的减小训练模型所花费的代价并且提高预测的精度。通过以上提出的一种基于在线增量学习的区域生态环境变化预测方法可以实现对区域式生态环境的变化进行准确的预测。

技术领域

本发明涉及生态环境预测模型领域，尤其是涉及了一种基于在线增量学习的区域生态环境变化预测方法。

背景技术

随着经济与科技的发展，环境问题日益成为大家所关心和热议的话题。因为环境问题直接关乎着我们的身心健康以及绿色生态的可持续发展问题，尤其是对于区域式生态环境变化这样复杂的问题，政府部门以及环境方面的专家都在着力去研究和分析。但是由于区域生态环境变化会受到多方面环境因素的影响以及相邻区域之间相互的影响，因此本发明提出了一种基于在线增量学习的区域生态环境变化预测的方法。

传统研究区域生态环境变化的预测方法大体可分为统计学以及经典机器学习这两类方法。但是由于现有的生态环境的数据量及其庞大以及相关的影响因子又极为繁多，采用传统的方法去预测区域生态环境变化将会耗费大量的时间和财力，因此本发明提出了采用增量学习的方法来解决该问题。

发明内容

为了解决以上问题，本发明提出了一种基于在线增量学习的区域生态环境变化预测方法，相较于传统的统计学方法和机器学习方法，该方法能够更好提高预测的精确度并且能够降低模型训练时所花费的代价。

本发明通过如下技术方案实现：一种基于在线增量学习的区域生态环境变化预测方法，所述方法包括如下步骤：

步骤1:对数据进行预处理；

步骤2：建立卷积神经网络层；

步骤3：添加时间窗口和建立基于自适应遗传算法的增量极限学习机模型；

步骤4：建立长短期记忆神经网络层和全连接神经网络层。

进一步，所述步骤1中包括如下具体步骤：

步骤1-1、数据来源：通过在某个区域设立的多个监测点获取到可能会影响到该区域生态环境变化的特征所组成的时间序列；

步骤1-2、离散特征数值化编码：把收集到的时间序列中的字符特征通过独热编码方式处理变成数字信息；

步骤1-3、缺失值处理：对于不超过两个时间间隔的缺失数据使用前面的数据进行填充，对于超过两个时间间隔的缺失数据采用线性插值法进行填充；

步骤1-4、异常值处理：对于少数时间段的特征值明显高于前后时间段的特征值的时间序列，让其与前一时间间隔的数据的特征值进行一阶差分运算；设立阈值为0.1，如果未超过0.1则认为为合理的突变数据，否则则认为为异常数据；异常数据的处理方式为把这些数据当作缺失值处理，即步骤1-3操作；

步骤1-5、标准化处理：由于使用归一化处理会容易受到极值的影响，鲁棒性比较差，因此这里把数据进行标准化处理；

步骤1-6、数据集的划分：把处理后的数据按照时间序列的长度划分为80％为训练集，剩下的20％为测试集。

进一步，所述步骤2中包括如下具体步骤：

步骤2-1、建立卷积神经网络，并且添加一层卷积层和一层池化层；

步骤2-2、把经过预处理得到的数据转化为具有时间序列的n维矩阵，这里的n维指的是数据具有的特征数量；