[发明专利]一种融合分区建模思想的GA-LSTM模型预测PM2.5

说明书

本发明涉及一种融合分区建模思想的GA‑LSTM模型预测PMsubgt;2.5/subgt;浓度方法，属于大气污染领域。该方法包括：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PMsubgt;2.5/subgt;浓度结果。本发明能提升模型效率和预测精度。

技术领域

本发明属于大气污染领域，涉及一种融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法。

背景技术

长短期记忆网络(Long Short-Time Memory,LSTM)是一种时间循环神经网络，是为了解决一般循环神经网络(Recurrent Neural Network,RNN)存在的长时间依赖问题而设计出来的。LSTM模型相对于RNN模型的主要区别在于LSTM模型引入门的概念，通过门单元来判断信息是否有效，从而解决RNN的梯度消失或梯度爆炸的缺陷。当前有许多方法，例如利用传统的统计模型、基于深度学习的神经网络模型等。由于PM_2.5浓度的变化具有突变性和非线性的特点，预测PM_2.5浓度的传统的统计模型精度较差；基于深度学习的神经网络模型对PM_2.5浓度的预测有较好的模拟精度，但模型初始参数等的设置对预测的精度会产生较大的影响，同时当前PM_2.5浓度模型的构建往往缺乏对区域的空间异质性及经济因素的深入思考。

因此，亟需构建一种新的神经网络模型来预测PM_2.5浓度。

发明内容

有鉴于此，本发明的目的在于提供一种融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，构建经济空间特征因素融合分区建模思想并使用主成分分析(PrincipalComponent Analysis，PCA)将多维驱动数据进行降维处理，再结合遗传算法(GeneticAlgorithm,GA)优化LSTM参数来提升预测PM_2.5浓度的精度。

为达到上述目的，本发明提供如下技术方案：

一种融合分区建模思想的GA-LSTM模型预测PM_2.5浓度方法，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。

进一步，步骤S1中，构建经济空间特征因素具体包括以下步骤：

S11：经济主要用人口密度、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X_Si(t)：