一種區域空氣pm2.5濃度預測方法
【技術領域】
[0001] 本發明涉及一種PM2. 5濃度預測方法，尤其是涉及一種區域空氣PM2. 5濃度預測 方法。
【背景技術】
[0002] 隨著工業化的快速推進，大氣霧霾現象越來越嚴重，PM2. 5是造成霧霾現象的主要 元兇之一，其顆粒粒徑小，能長時間懸浮于空氣中并傳播，并可攜帶有毒有害物質進入呼吸 道和肺部，對人體健康造成直接威脅。為此，基于大氣的歷史監測數據，對PM2. 5進行濃度 預測具有重大意義。但PM2. 5濃度的影響因素復雜繁多，如：即時工業排放、大氣中污染顆 粒物濃度、氣象條件、季節及陽光輻射，對其進行濃度預測具有挑戰性。
[0003] 最早應用于空氣污染物濃度預測的為多元回歸模型，隨著人工神經網絡的發展， 不少學者研究用神經網絡模型對空氣污染物濃度進行了預測，所展現的效果均優于多元回 歸模型。然而神經網絡普遍存在由于大氣污染物濃度的訓練數據不充分而引起過擬合的問 題。支持向量機（Support Vector Machine，SVM)是20世紀90年代提出的一種新學習機， SVM因在解決小樣本和非線性問題方面表現出良好的泛化能力，已在分類、時間預測、函數 估計等領域得到廣泛應用。Sanchez等、Xue等、Nieto等提出利用支持向量機回歸（Support Vector Regression, SVR)模型f (X) =〈co，X>+b，這里，c〇，b為待辨識的參數，X為模型 的輸入，〈，> 表示點積運算。對空氣污染物進行濃度預測的方法。無論是SVR模型還是人 工神經網絡模型，對污染物濃度的預測都需考慮變量的時序特性，并在模型輸入參數中考 慮時滯因子，以致模型的輸入參數維數高，訓練樣本數據不足，最終導致模型的預測準確率 不高。為此，有學者提出一種基于遺傳-神經網絡的（GA-ANN)模型，GA-ANN利用神經網絡 (ANN)模型對大氣污染物濃度進行預測建模，用遺傳算法（GA)根據預測性能指標對輸入參 數進行0或1選擇，這樣雖然降低了輸入參數的維數，一定程度上避免了模型的過擬合，但 同時也損失某些輸入參數的有用信息，預測準確率仍然不高。
【發明內容】
[0004] 本發明所要解決的技術問題是提供一種在降低預測模型輸入參數維數的基礎上， 可以提高PM2. 5濃度預測準確率的區域空氣PM2. 5濃度預測方法。
[0005] 本發明解決上述技術問題所采用的技術方案為：一種區域空氣PM2. 5濃度預測方 法，包括以下步驟：
[0006] ①構造待訓練的支持向量機回歸模型的訓練樣本數據：
[0007] ①-1將當前時刻記為t時刻，t-n時刻表示當前時刻的前η個時亥I」，η = 1，2, 3, 4,…；
[0008] 將t-Ι時刻測量得到的區域空氣的大氣能見度記SxN(t_l)，濁度記Sx z(t_l)，氣 溫記為Xt (t-ι)，氣壓記為Xp (t-ι)，風速記為Xw (t-ι);
[0009] 將t_td時刻測量得到的區域空氣中S02的濃度記為X SC]2 (t_td)，N02的濃度記 為xNci2(t-td)，PMlO的濃度記為xpnlQ(t-t d)，ΡΜ2· 5的濃度記為Xpn25(t-td)，03的濃度記為 x〇3 (t-td)，CO的濃度記為xco (t-td) ;td為時滯因子且t尸1，2,…，d，d為大于等于2的整 數；將t時刻預測的PM2. 5濃度記為ypni25(t);
[0010] ①-2將待訓練的支持向量機回歸模型f (X) =〈 ω，X>+b的輸入參數記為Xin⑴， 待訓練的支持向量機回歸模型的輸出記為Yciut(T)，Xin(T)和Yciut(T)構成訓練參數對，令
[0011] Xin (T) = [Xsci2 (T)，Xsci2 (T-I)，…，Xsci2 (T-d)，Xnci2 (T)，Xnci2 (T-I)，… ，Xnci2 (T-d)，Xpnlo ⑴，xpnl。(T-I)，…，xpnl。(T-d)，Xpn25 ⑴，xpn25 (T-I)，…，xpn25 (T-d)， （1) X03(T), X03(T-I), X03(T-d), xC0(T), Xco(T-I), ···, xC0(T-d), xN(t-l), xz(t-l), xT(t-l), xP(t -I), xw(t-l)]
[0012] γ_(Τ) =Xpni25 (T+l) (2)
[0013] Xin(t-1) = [xso2 (t-1), Xso2 (t-2),…，Xso2 (t-1-d), Xno2 (t-1), Xno2 (t-2),… ，xn02 (t-1-d)，xpml。（t-1)，xpml。（t-2)，…，xpml。（t-1-d)，x pm25 (t-1)，xpm25 (t-2)，…，xpm25 (t-1-d)， (3) x03 (t-1)，x03 (t-2)，…，x03 (t-1-d)，xc。(t-1)，xc。(t-2)，…，xc。(t-1-d)，x N (t-1)，xz (t-1)， xT (t-1)，Xp (t-1)，xw (t-1)]
[0014] 其中 T = t-2，t-3，t-4,…t-501，□為矩陣符號，Xin(T)為 IX (6Xd+5)的矩陣， 符號X為乘運算符號；
[0015] ①-3獲取t時刻之前區域空氣中S02濃度、N02濃度、PMlO濃度、PM2. 5濃 度、03濃度、CO濃度、大氣能見度、濁度、氣溫記、氣壓和風速的歷史測量數據，得到 {Χιηα-2)，Υ_α-2)}，{Χιηα-3)，Υ_α-3)}，…，{Χιηα-501)，Υ_α-501)}共 500 組訓練 參數對，將該500組訓練參數對作為待訓練的支持向量機回歸模型的訓練樣本數據；②采 用訓練樣本數據對待訓練的支持向量機回歸模型f (X) =〈 ω，X>+b進行訓練，得到支持向 量機回歸模型的模型參數ω和b ;將得到的支持向量機回歸模型的模型參數ω和b代入 支持向量機回歸模型f (X) = <?，X>+b中得到訓練后的支持向量機回歸模型，將該訓練后 的支持向量機回歸模型作為PM2. 5濃度預測模型；
[0016] ③初始化粒子群參數：在[0, 1]內隨機產生種群規模為N的粒子群，N = 100,每 個粒子均含有位置和速度屬性，隨機初始化粒子群中各粒子的速度和位置，將第i個粒子 初始化后的當前位置記為W1(O),當前速度記為V1(O), i = 1，2，···，N，其中W1(O)和V1(O) 均為 I Xm 的矩陣，Wi (0) = [Wli (0)，W2i (0)，…，Wmi (0) ]，i = 1，2,…，N，Wli (0)，W2i (0)，… ，wmi(〇) e [OjILVi (0) = [Vli(O)J2i(O)j-Jmi(O)Li = 1，2,…，N，Vli(O), v2i(0)，… Jnil(O) e [0，l]，m = 6Xd+5;將第i個粒子的在第k次迭代后的當前位置記為議， Wi (k) = [Wli (k)，w2i (k)，…，wmi (k)]，第 k 次迭代后的當前速度記為 Vi (k)，Vi (k)= [Vli (k)，v2i (k)，…，vmi (k) ]，k = 1，2，…，kmax;k _為粒子群的總迭代次數；
[0017] ④將粒子群中每個粒子的當前位置定義為PM2. 5濃度預測模型輸入參數的權系 數矩陣；采用N個粒子的當前位置分別對PM2. 5濃度預測模型的輸入參數Xin (t-Ι)進行重 構，由此得到初始狀態下N個重構后的PM2. 5濃度預測模型的輸入參數，將初始狀態下第i 個重構后的PM2. 5濃度預測模型的輸入參數記為A= (/ - U);
[0018] CN 105184012 A 說明書 3/11 頁
[0019] ⑤將粒子群中第i個粒子的個體極值的初始值記為，，f,,. = 6(0)，F1 (0)= Xp^t-D-y-do) |，其中I I為取絕對值符號，yciutl(t，〇)為At(/-U)作為輸入參數輸入 PM2. 5濃度預測模型中得到PM2. 5濃度預測模型的輸出；將粒子群的全局極值的初始值記 為G。，（:廣=min 丨f:(0),/ = 1,2,…翁}; ?-σι?τι ι-min 1
[0020] ⑥采用粒子群每次迭代后更新后的位置對重構后的PM2. 5濃度預測模型的輸入 參數進行更新，粒子群第k次迭代后重構后的PM2. 5濃度預測模型的輸入參數進行第k次 更新，將第k次更新后的第i個重構后的PM2. 5濃度預測模型的輸入參數記為J^(f-l,i):
[0022] 將(/-U)作為輸入參數輸入PM2. 5濃度預測模型中，得到PM2. 5濃度預測模型 的輸出，記為;將凡代入公式Fi (k) = I Xpm25 (t-1) Iciuti (t, k) I中，計算得到第 k次更新后第i個粒子對應的適應度值F1 (k) ; I I為取絕對值符號；第k次迭代后粒子群中 第i個粒子的個體極值記為Pi, , Zy',,, =mmif:;(./)，./ = 0，l,2,·· ,將第k次迭代后第i個 粒子的個體極值對應的粒子位置記為W1 (a)，a為大于等于0且小于等于k的整數；將第 k次迭代后粒子群的全局極值記為C ，C?4 =minW(〇U = l,2,~:V;./ = (U2,~,h,min f-'?--.ιτ?'Π 表示取最小值；該全局極值對應的粒子的位置記為Wh (g)，h為大于等于1且小于等于 N的整數，g為大于等于O且小于等于k的整數；
[0023] ⑦從k = 1開始對粒子群進行更新迭代，得到更新后的各粒子的速度和位置，按照 步驟⑥更新粒子的個體極值和粒子群的全局極值，直至k = k_，結束更新迭代，得到最終 的粒子群的全局極值；
[0024] ⑧采用最終的粒子群的全局極值對應的粒子的位置對重構后的PM2. 5濃度預測 模型的輸入參數進行更新，將更新后的輸入參數輸入PM2.