[发明专利]一种PM2.5浓度预测方法及系统

权利要求书

1.一种PM2.5浓度预测方法，其特征在于，包括如下具体步骤：

获取目标地方的空气质量监测数据和气象监测数据，并对空气质量监测数据和气象监测数据进行相应的预处理；

将预处理后的所有数据放入到最大信息系数模型中进行计算，得到最大信息系数；

将PM2.5浓度时间序列放入到完全自适应噪声集合经验模态分解模型中进行分解；

根据所述最大信息系数设定相应阈值来挑选相应的特征；

将分解后的各本征模函数以及残差和挑选出来的特征放入到门控循环神经网络进行训练预测；

将各预测的本征模函数以及残差进行相加得到最终的预测结果。

2.根据权利要求1所述的一种PM2.5浓度预测方法，其特征在于，数据预处理具体步骤包括：

对采集到的空气质量监测数据和气象监测数据中的缺失值进行填充；

计算气温、体感温度、气压、相对湿度、降雨量、WSPD风速、AQI、PM10、NO₂、SO₂、O₃、CO与PM2.5浓度序列的相关性，选择与PM2.5相关性大的因素作为输入最大信息系数模型的特征。

3.根据权利要求1所述一种PM2.5浓度预测方法，其特征在于，进行最大信息系数计算具体步骤包括：

给定两个变量x和y，MI定义为：

其中p(x,y)是变量x和y之间的联合概率；

给定i、j，对XY构成的散点图进行i列j行网格化，并求出最大的互信息值；对最大的互信息值进行归一化；

选择不同尺度下互信息的最大值作为MIC值，下式给出了MIC的计算：

其中a、b分别为x、y方向划分的格子数，本质上为网格分布，B是一个变量，B的大小为数据量的0.6次方。

4.根据权利要求1所述一种PM2.5浓度预测方法，其特征在于，进行PM2.5浓度时间序列分解具体步骤包括：

将高斯白噪声加入到待分解信号y(t)得到新信号y(t)+(-1)^qεv^j(t)，对新信号进行EMD分解，得到第一阶本征模态分量C₁：

E(y(t)+(-1)^qεv^j(t))＝C₁^j(t)+r^j；

对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第一个本征模态分量：

计算去除第一个模态分量后的残差：

在r₁(t)中加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，得到第一阶模态分量D₁，由此得到CEEMDAN分解的第二个本征模态分量：

计算去除第二个模态分量后的残差：

重复上述步骤，直到获得的残差信号为单调函数，不能继续分解，算法结束，此时得到的本征模态分量数量为K，则原始信号y(t)被分解为：

其中E_i(·)为经过EMD分解后得到的第i个本征模态分量，CEEMDAN分解得到的第i个本征模态分量为v^j为满足标准正态分布的第j次高斯白噪声信号，j＝1,2,3……N为加入白噪声的次数，ε为高斯噪声权值系数，y(t)为待分解信号。

5.根据权利要求1所述一种PM2.5浓度预测方法，其特征在于，门控循环神经网络进行预测具体步骤包括：

门控循环神经网络的单元结构只包含两个“门”：更新门和重置门；

门控制单元与sigmoid激活函数连接，门控制单元用于丢弃或者添加信息到细胞状态，sigmoid层输出单元用于输出0到1之间的数据，描述每个部分通过量及是否通过，其中0表示不让所有量通过，1表示让所有量通过。