[发明专利]一种融合分区建模思想的GA-LSTM模型预测PM2.5

权利要求书

1.一种融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，其特征在于，该方法具体包括以下步骤：

S1：构建经济空间特征因素；

S2：将驱动因素进行分区，并采用PCA将多维驱动数据进行降维处理；

S3：采用遗传算法GA对LSTM的参数进行优化，得到最优的LSTM模型的层数和全连接层数以及每层的神经元个数；其中，GA表示遗传算法；

S4：利用优化后LSTM模型来预测各个分区的PM_2.5浓度结果。

2.根据权利要求1所述的融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，其特征在于，步骤S1中，构建经济空间特征因素具体包括以下步骤：

S11：经济用人口密度、夜晚灯光强度和GDP来表达，将k个有效监测站点PM_2.5浓度取出，构建PM_2.5浓度数据集X(t)＝(X₁(t),X₂(t),…,X_k(t))；

S12：将对应PM_2.5监测站点的人口密度、夜晚灯光强度和GDP数据取出，通过经济距离来构建经济空间权重矩阵W_S×S，S＝k；

S13：将构建好的经济空间权重矩阵W_S×S与监测站点的PM_2.5浓度点数据集X(t)做乘法，最终得到各个监测站点的经济空间特征因素

其中，i＝1,2,…,k，将得到的经济空间特征因素加入到对应监测站点的数据集中，作为站点的经济空间特征因素。

3.根据权利要求1所述的融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，其特征在于，步骤S2具体包括以下步骤：

S21：根据PM_2.5监测站点，通过数据处理，提取出对应监测站点的驱动数据构建统一的初始数据集；

S22：将经济空间特征按照行政区域分区，同时将其他驱动数据采用K-means分区，然后叠加两种得到综合分区结果；通过PCA将多维驱动数据进行降维处理，简化驱动数据，形成新的数据集；

S23：然后在各个子区域中将数据集进行归一化处理并拆分为训练集和测试集用于GA-LSTM模型训练和预测。

4.根据权利要求3所述的融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，其特征在于，步骤S21中，所述驱动数据包括污染物数据和气象数据结合经济空间特征因素。

5.根据权利要求1所述的融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，其特征在于，步骤S3中，使用GA对LSTM模型的层数和全连接层数以及每层的神经元个数进行全局搜索，使其得到LSTM参数的最优解；其中GA的流程如下：

S31：编码和产生初始群体；

根据优化函数的实际问题，选择好相应的编码方法，根据种群规模的需要，随机产生确定长度的n个染色体，作为初始种群；

pop_i(t),i＝1,2,…,n

S32：计算适应度值；

假设适应度函数为f(i)，则所有个体的适应度值为：

f(i)＝f(pop_i(t))

S33：终止条件；

根据设定的终止条件是否达到收敛，来判断下一步的执行；

S34：选择运算；

选择适应度值大的个体进行交叉运算，则每个个体的选择概率为P_i：

以选择概率P_i作为新的概率分布，从当前种群中选择个体重组新的个体种群newpop(t+1)：

newpop(t+1)＝{pop_j(t)|j＝1,2,...,n}

S35：交叉运算；

随机从种群中选择两个不同的个体，以概率P_c进行交换基因得到新的两个个体，进行n/2次1，得到一个新的种群crosspop(t+1)；

S36：变异运算；

从种群中随机选择个体，以变异概率P_m进行染色体变异，得到新的种群mutpop(t+1)，这个种群作为完成一次遗传操作的子种群，即pop(t)＝mutpop(t+1)，此时传到步骤S32。