[发明专利]一种基于时刻关联网络的PM2.5浓度值预测方法

摘要

一种基于时刻关联网络的PM2.5浓度值预测方法，在对PM2.5浓度值历史数据，PM2.5浓度值相关指标的历史数据和气象历史数据数据进行非线性相关分析之外，月份、日期和时刻标签数据，根据提出的编码方式进行无差别量化，并通过构建时序关联的输入层和输出层，针对周期采样的序列数据时刻特性的，可以准确描述PM2.5浓度值时间变化规律。本发明不仅可以充分学习PM2.5浓度数据的时序特性，还可以深度挖掘采集数据周期上的时刻特征，有效地提高当前PM2.5浓度值的预测精度与训练速度，拓宽了神经网络预测的局限性，能够实现周期性采集的长时序数据精准预测。

主权项

1.一种基于时刻关联网络的PM2.5浓度值预测方法，其特征在于，所述方法包括如下步骤：/n步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据以及月份、日期和时刻数据；/n步骤2、采用编码方式对月份、日期和时刻数据进行无差别量化处理，过程如下：/n步骤2.1、对于12个月份，采用12个编码来表示12个特征值；/n步骤2.2、如步骤2.1所示，对于31个日期和24个时刻，分别采用31个编码和24个编码来各自的特征值；/n步骤3、采用时刻关联网络进行训练，过程如下：/n步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：/n /n上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；/n步骤3.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数：/nh^(1,2,...,n)＝σ(z)＝σ(Ux^(1,2,...,n)+Wh^{(0,1,...,n-1)}+b) (2)/no^(2,...,n+1)＝Vh^(1,2,...,n)+c (3)/n /n其中，t＝0,1,2,…,n+1代表时刻，x^(t)代表t时刻训练样本的输入；h^(t)代表t时刻模型的隐藏状态，h^(t)由x^(t)和h^(t-1)共同决定；o^(t)代表t时刻模型的输出，o^(t)只由模型当前的隐藏状态h^(t)决定；y^(t)代表t时刻训练样本序列的真实输出；U，W，V这三个矩阵是模型的线性关系参数；/n步骤3.3、设定网络的期望误差最小值、最大迭代次数和学习率；/n步骤3.4、训练循环神经网络，计算损失函数：/n /n步骤3.5、根据误差调整循环神经网络的各层权值，其中V，c的梯度计算如下：/n /n /n在反向传播时，在某一序列位置n的梯度损失由当前位置的输出对应的梯度损失和序列索引位置n+1时的梯度损失两部分共同决定，对于W在某一序列位置n的梯度损失需要反向传播一步步地计算，定义序列索引n+1位置的隐藏状态的梯度为：/n /nW，U，b的梯度计算表达式：/n /n /n /nc，b为偏置值；/n步骤3.6、判断循环网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述时刻关联网络训练完成；/n步骤3.7、将所述采集数据和时刻数据输入到所述训练完成的时刻关联网络中，输出PM2.5浓度值的最终预测值。/n