[发明专利]基于全连接和LSTM神经网络的空气污染预测建模算法

说明书

本发明涉及空气污染物监测技术领域，具体为基于全连接和LSTM神经网络的空气污染预测建模算法，包括若干个全连接层，其中全连接层包括首部设计的排列、输入层和尾部设计的输出层，且所述全连接层的中部设置若干个基本连接层，每个基本连接层包括若干个基本单元，基本单元之间形成闭环，全连接层上下连接形成LSTM可扩展的多层互联算法。通过全连接网络的设计能够让用户以及使用者根据实际使用的神经网络通过设置设置参数来控制生成多个基本单元，进而实现网络整体的实现并加速，通过LSTM网络的设计能够让处理数据稳定且数据不易丢失，在额外设计的误差控制以及优化算法的作用下，实现整个网络质量的有效提升。

技术领域

本发明涉及空气污染物监测技术领域，具体为基于全连接和LSTM神经网络的空气污染预测建模算法。

背景技术

目前，常用的城市空气污染物浓度预报方法主要有数值预报、逐步线性回归模型、灰色预测、自回归移动平均模型、支持向量回归模型、支持向量回归模型、人工神经网络模型等。随着社会的发展，工厂及机动车辆持续增加，诸多环境问题随之产生，空气污染问题日益严重，人们需要预知某一区域准确的空气污染物情况，以便根据空气污染物情况进行合理的规划

现有技术中全连接算法以及LSTM以其优异且准确的特性广泛用于各个行业中，但是在空气污染物模型预测方面应用较少，且没有一个完整的算法对其进行整合利用，且现有的空气污染物模型使用过程中存在误差大，响应慢且数据不完整的缺点。

发明内容

本发明的目的在于提供基于全连接和LSTM神经网络的空气污染预测建模算法，以解决背景技术中提到的缺陷。

为实现上述目的，本发明提供如下技术方案：基于全连接和LSTM神经网络的空气污染预测建模算法，包括若干个全连接层，其中全连接层包括首部设计的排列、输入层和尾部设计的输出层，且所述全连接层的中部设置若干个基本连接层，每个基本连接层包括若干个基本单元，基本单元之间形成闭环，全连接层上下连接形成LSTM可扩展的多层互联算法。

优选的，所述的基本单元均包括数据存储模块、数据单元模块、模型训练模块、LSTM、建模优化模块，每个基本单元的数据均自首部传向尾部，由F1n层传向Fkn,n表示基本单元个数，k表示基本连接层数，数据经处理后传向输出层输出数据。

优选的，每个所述的建模优化模块包括建模工具、优化算法模型、模型存储模块、优化后的模型存储单元。

优选的，所述优化算法模型通过建模工具获取目标优化算法的信息，包括函数、约束条件和数据输入；

并将获取到的信息保存在模型文件中；

通过在建模工具中获取目标优化算法模型的基本组件；

对目标以及基本组件和算法模板进行集成并进行目标优算；

建立优化算法模型吗，生成训练后的模型文件；

优选的，所述建模优化模块还包括误差控制模块，误差控制模块的双向连接在优化后的模型存储单元上，通过实测数据的输入经过误差控制模块的范围优化进而对建模结构进行输出；

优选的，所述模型训练模块包括测试集和训练集，且测试集和训练集的输出端均连接在双向LSTM上。

优选的，所述优化算法模型的目标函数为：

MAX(C1X1+C2X2+...+CiXi)

待建立的目标优化算法模型的约束矩阵为：

A11X1+A12X2+...+A1iX1≥B1

A21X1+A22X2+...+A2iX2≤B2

......

......