[发明专利]一种基于多种模型对比的大气环境预测方法

说明书

本申请提供一种基于多种模型对比的大气环境预测方法，包括获取目标城市的常规污染物浓度及气象数据,构建数据库；对数据库进行预处理；根据气象数据为输入因子构建预测PM₁₀浓度Y₁的多元线性回归模型；对多元线性回归模型的输入因子进行调整，通过逐步递归方式构建预测PM₁₀浓度Y₂的最优线性回归模型；根据网络结构和预处理后常规污染物浓度及气象数据训练BP神经网络模型；基于遗传算法对BP神经网络模型的阈值和权值进行优化得到最优BP神经网络模型；对比上述四个模型，通过PM₁₀均方误差、PM₁₀平均绝对误差和拟合优度确定最终选用模型；通过选择、交叉、变操作迭代进化获得最优BP神经网络参数，获得准确的预测结果并且发现更适用于大气污染物中长期预测。

技术领域

本申请涉及环境监测和预警数据挖掘和分析领域，尤其涉及一种基于多种模型对比的大气环境预测方法。

背景技术

随着环境污染的加剧和人们环境意识的提升，为减少大气环境污染事件的发生，逐步开始致力于对大气环境的监测，构建了大量的大气检测系统并积累了大量的历史监测数据。

现有的历史监测数据只用于实时监测、日报、月报、年报的生成，其中，大气常规污染物数据包括PM2.5，PM10，SO2，CO，O3，NO2，气象数据包括湿度，气温，风速，风向，气压；这些数据的价值不仅仅是日报、月报、年报等统计类数据体现的；然而，随着大气污染和防治研究的开展，大气环境的预测也尤为重要，

发明内容

本申请提供了一种基于多种模型对比的大气环境预测方法，以解决现有环境监测和预警数据挖掘和分析缺乏的技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

提供一种基于多种模型对比的大气环境预测方法，所述方法包括：

获取目标城市的常规污染物浓度及气象数据,构建所述常规污染物浓度及气象数据的数据库；

对所述数据库中的所述常规污染物浓度及气象数据进行预处理；

根据所述气象数据为输入因子构建预测PM₁₀浓度Y₁的多元线性回归模型；输入因子包括气压，湿度，风速，风向，气温；

对所述多元线性回归模型的所述输入因子进行调整，通过逐步递归方式构建预测PM₁₀浓度Y₂的最优线性回归模型；调整后输入因子包括PM_2.5，气温，O₃，风速，气压，湿度，季节；

根据网络结构和预处理后所述常规污染物浓度及气象数据训练BP神经网络模型；

基于遗传算法对所述BP神经网络模型的阈值和权值进行优化得到最优BP神经网络模型；

对比上述四个模型，通过PM₁₀均方误差、PM₁₀平均绝对误差和拟合优度确定最终选用模型；

其中,所述常规污染物浓度包括PM_2.5，PM₁₀，SO₂，CO，O₃，NO₂；气象数据包括湿度，气温，风速，风向，气压。

在一种可能的实现方式中，所述预处理包括：

对所述常规污染物浓度及气象数据进行一致性检查；

针对无效数据和缺失数据，通过估算、删除、全局变量填充或随机补差法进行处理；

针对超出范围的数据，通过归一化将所述超出范围的数据归一到[0,1]区间。