[发明专利]一种基于BPANN与ε-SVR混合模型的PM2.5

摘要

本发明提供一种基于BPANN与ε‑SVR混合模型的PM2.5浓度预测方法，属于细颗粒物污染的预测技术领域。本发明包括：将ε‑SVR模型的输出作为BPANN模型的输入建立BPANN与ε‑SVR混合模型、对BPANN与ε‑SVR混合模型进行训练，对未来时段PM2.5浓度的预测三个部分；其中混合模型进行训练过程中，先使用ε‑SVR算法进行分段训练，寻找最优的参数值c、g，将输出的PM2.5浓度与实测PM2.5浓度对比，选择误差范围内的数据值作为结果集S；然后把S作为所述混合模型BPANN部分的输入，经过多次迭代训练，得到训练好的混合模型。本发明解决了现有监测手段无法简便而准确的预测出区域内PM2.5浓度的问题。本发明可用于区域内PM2.5浓度长时间的预测。

主权项

1.一种基于BPANN与ε‑SVR混合模型的PM_2.5浓度预测方法，其特征在于，具体包括以下步骤：步骤A、分别建立BPANN模型与ε‑SVR模型；然后将ε‑SVR模型的输出作为BPANN模型的输入，得到BPANN与ε‑SVR混合模型；步骤B、对所述BPANN与ε‑SVR混合模型进行训练：B1、获取与PM_2.5浓度相关的数据，提取一段时间的MODIS AOD 08中每个栅格里的数据；获取五种气象因子数据包括风向、风速、相对湿度、行星边界层高度以及温度；所述MODIS AOD表示利用中分辨率率成像光谱仪MODIS测得的大气气溶胶光学厚度AOD；B2、把步骤B1中获取的数据进行时空上的匹配，并获取对应时间内站点实测的PM_2.5浓度数据，剔除异常值后求取月均值，通过月均值求取季节平均，并按照时间先后顺序生成数据集；B3、对B2所生成的数据集进行归一化处理；B4、把B3归一化处理后的数据作为所述混合模型的输入参数，使用ε‑SVR算法进行分段训练，寻找二维数组中最优的参数值c、g，将输出的PM_2.5浓度与实测PM_2.5浓度对比，选择误差范围内的数据值作为结果集S；B5、把结果集S作为所述混合模型BPANN部分的输入，抽取结果集S中的80％作为BPANN训练集，20％作为BPANN测试集，并将得出的预测结果与实测PM_2.5浓度进行精度验证；经过多次迭代训练，得到训练好的混合模型；步骤C、对未来时段PM_2.5浓度的预测：C1、将当前的MODIS AOD 08数据和五种气象因子数据进行与步骤B3中一致的归一化处理；将归一化处理处理后的数据输入步骤B5得到的训练好的混合模型中进行预测；C2、对C1所得到的输出结果进行反归一化处理，得到预测的PM_2.5浓度值。