一種基于bp神經網絡的灰霾預測的系統和方法
【專利摘要】本發明提供了一種基于BP神經網絡的灰霾預測的系統和方法，該系統包括：通過BP神經網絡挖掘已收集的空氣質量數據之間的關系，預測空氣質量及灰霾天氣發展趨勢，對灰霾天氣提供預警；其特征是：包括數據采集模塊、數據庫、數據整理模塊、灰霾預測服務器、數據預處理模塊、神經元學習模塊、BP神經網絡預測模塊、WEB服務器和移動終端；其方法是：把灰霾預測系統描述為多輸入多輸出的自學習預測系統，輸入已采集的灰霾和空氣質量數據，通過神經網絡的自學習和自適應能力，預測灰霾天氣可能的發展趨勢，并降低預測誤差；本發明能夠利用已有的灰霾觀測數據對灰霾發展作出預測，能夠深入挖掘已輸入數據之間的復雜關系，得到比較精確地預測效果。
【專利說明】
一種基于BP神經網絡的灰霾預測的系統和方法
技術領域
[0001]本發明涉及一種灰霾預測方法和技術，尤其是一種基于BP神經網絡的灰霾預測的系統和方法。
【背景技術】
[0002]目前，中國的灰霾現象越來越受關注，關于灰霾的預測分析和治理策略的研究層出不窮，而目前所建立的灰霾預測分析技術主要包括灰霾監測、灰霾評估、策略預測、策略實施等方面。目前的灰霾預測方法和系統，主要是以生態環境和空氣質量指標監測為主進行建模的，利用監測到的PM2.5，PM1.0等指標試圖精確描述灰霾數學模型和演化機制，最新的技術還包括在灰霾多發區域布置傳感器網絡、以及衛星圖像分析等技術，為灰霾監測和預警提供了大量、精確的數據，然后，以此為依據分析和預測灰霾的發展趨勢，從而制定相關灰霾防治措施。
[0003]目前的灰霾預測分析方法和系統缺點也很明顯，需要給不同的數據建立數學函數，包括PM2.5，PMl.0顆料物、二氧化碳、二氧化氮、一氧化硫等，這些不同屬性的實體在計算上是有差別的。另外，灰霾的發展和預測也與當地的地理環境和生產生活有密切關系，根據這些數據來預測灰霾必須考慮不同數據之間的干擾情況。而且，灰霾所處的自然環境和社會環境具有自學習性質，傳統的預測方法很難考慮這一點。在國內，隨著數據處理技術在灰霾預測中的應用，為利用數據采集和自學習方法預測灰霾提供了條件，但是，目前市場上很少有基于BP神經網絡的灰霾預測方法和系統。
【發明內容】
[0004]為了克服上述現有技術的缺陷，本發明提供了一種基于BP神經網絡的灰霾預測的系統和方法，通過BP神經網絡來挖掘灰霾相關的各種數據之間的關系和自學習機制，為灰霾的預測和決策提供數據支持。
[0005]本發明所采用的技術方案是:
一種基于BP神經網絡的灰霾預測的系統，包括數據采集模塊、灰霾數據庫、灰霾預測服務器、WEB服務器、移動終端。數據采集模塊連接灰霾數據庫，灰霾數據庫連接灰霾預測服務器，灰霾預測服務器分別連接WEB服務器、移動終端。
[0006]所述數數據采集模塊:數據采集模塊將通過各種傳感器和監測器材獲取與灰霾相關的數據，將收集的數據存入灰霾數據庫。
[0007]所述數數據采集模塊:采集的數據信息必須是由國家環境、統計等部門統一采集和錄入，保證信息來源準確性。
[0008]灰霾數據庫:用于存放與灰霾相關的可吸入顆粒物、二氧化硫和氮氧化物等數據；灰霾數據庫:由中國氣象部門或灰霾權威機構發布、管理和更新，將收集到的數據存入數據庫，經過必要的數據整理后傳輸給灰霾預測服務器。
[0009]灰霾數據庫包括述數據整理模塊，所述數據整理模塊將數據采集模塊采集的數據進行整理、匯總，這些數據可能來源于不同的數據庫或者數據集，數據通常是不完整的、缺失的、含有噪聲的，這種低質量的數據輸入無法得到高質量的預測結果，需要進行數據整理，以便集中在灰霾數據庫中集中處理；
所述數據整理模塊:對不同的數據，采用不同的數據處理方法，以便將數據整理成統一格式，并存入灰霾數據庫。
[0010]灰霾預測服務器:取出灰霾數據庫中的數據，進行數據預處理和輸入輸出數據的初始化，設置BP神經網絡的訓練參數，神經元學習和擬合函數曲線，預測值和實際值對比，不斷修正當前輸入量，直到訓練誤差低于設定值為止，最后輸出預測量；
灰霾預測服務器:包括運行穩定的神經元學習方法，誤差小，快速便捷，并將最后預測結果聯網顯示和發送給移動終端。
[0011]所述灰霾預測服務器包括數據預處理模塊、神經元訓練模塊、BP神經網絡預測模塊。
[0012]所述數據預處理模塊:將從灰霾數據庫中取出的數據，進行歸一化處理，使數據分布于[-1?+1]之間，為神經元學習訓練準備高質量的數據；
灰霾預測服務器包括，簡單縮放、逐樣本均值消減和特征標準化等方法，通過預處理使BP算法能夠發揮最佳預測效果。
[0013]所述神經元訓練模塊，設置好訓練參數后，神經元通過自學習，利用實際輸出與期望輸出之間的誤差對網絡權重系數進行修正，最后輸出最佳預測效果；
所述神經元訓練模塊還包括:神經元自學習、自適應調整學習步長，完成信息的正向傳播和誤差的反向傳播
所述神經元訓練模塊包括BP算法，BP算法具有較好的收斂特性，較好的自學習和自適應能力，容錯能力。
[0014]所述BP神經網絡預測模塊，對神經元預測結果進行輸出，同時將數據反歸一化，得到與原始數據相同指標下的數據。
[0015]所述BP神經網絡預測模塊，將預測結果輸入WEB服務器和移動終端，及時高效地灰霾預警。
[0016]所述WEB服務器:可以預測灰霾發展趨勢，將預測結果轉換為圖表、折線圖等形式，發送給相關氣象部門；
所述的WEB服務器:將預測結果對應為各個等級的灰霾，根據灰霾指數情況，做出相應的預警，制定相應的灰霾治理策略。
[0017]所述移動終端:預測結果轉換為空氣質量指數或者圖表、預測結果折線圖，發送到移動終端用戶手中，為用戶出行提供建議。
[0018]所述移動終端:用戶可以實時查詢灰霾相關指數情況，移動終端給即將外出的用戶提供相應的建議，方便快捷的提醒用戶。
[0019]本發明一種基于BP神經網絡的灰霾預測的系統和方法，具有的優勢是:
I:首先，本發明將灰霾預測系統建模為一種多輸入多輸出的系統，能夠對PM2.5，PM1.0顆料物、二氧化碳、二氧化氮、一氧化硫等，這些不同屬性的實體進行計算。
[0020]2:其次，能夠根據當地的地理和生產生活數據進行計算，并考慮不同數據間的干擾情況，結合實際情況后給出預測，提高了灰霾預測的準確性。
[0021]3:再次，本發明具有自學習特性，能夠考慮生產、生活、環境等系統的自學習特性，從而根據外部數據的輸入調整神經元和神經網絡的參數和訓練，提出優化和解決方法。
[0022]4:本發明把灰霾預測系統描述為多輸入多輸出的自學習預測系統，輸入已采集的灰霾和空氣質量數據，通過神經網絡的自學習和自適應能力，預測灰霾天氣可能的發展趨勢，并降低預測誤差;本發明能夠利用已有的灰霾觀測數據對灰霾發展作出預測，能夠深入挖掘已輸入數據之間的復雜關系，得到比較精確的治理方案。
【附圖說明】
[0023]圖1是本發明結構示意圖。
[0024]圖2是本發明算法流程圖。
[0025]圖3是本發明預測結果圖。
【具體實施方式】
[0026]如圖1所示，一種基于BP神經網絡的灰霾預測的系統，包括如下模塊:數據采集模塊100、數據庫101、數據整理模塊102、灰霾預測服務器103、數據預處理模塊104、神經元學習模塊105、BP神經網絡預測模塊106、WEB服務器107和移動終端108。
[0027]所述系統將灰霾預測方法描述為一種多輸入多輸出的神經網絡預測系統，通過神經元的自學習機制，預測可能的灰霾發展趨勢;通過BP神經網絡模型來挖掘輸入輸出數據之間存在的內部關系，不斷擬合輸入數據之間的關聯關系，通過不斷反饋和學習機制降低預測誤差，為灰霾防治提供參考。
[0028]所述數據采集模塊100包括各種傳感器和監測器材，安裝于各地環境系統，獲取與灰霾相關的數據，將收集的數據存入灰霾數據庫;根據所述的數據采集模塊100，采集的數據信息必須是由國家環境、統計等部門統一采集和錄入，保證信息來源準確性。
[0029]所述灰霾數據庫101包括高性能數據庫和存儲模塊，安裝于環境監測部門數據中心，用于存放與灰霾相關的可吸入顆粒物、二氧化硫和氮氧化物等數據;所述灰霾數據庫101，由中國氣象部門或灰霾權威機構發布、管理和更新，將收集到的數據存入數據庫，經過必要的數據整理后傳輸給灰霾預測服務器103。
[0030]所述數據整理模塊102安裝于服務器上，包括后臺算法和界面顯示，將數據采集模塊100采集的數據進行整理、匯總，這些數據可能來源于不同的數據庫或者數據集，數據通常是不完整的、缺失的、含有噪聲的，這種低質量的數據輸入無法得到高質量的預測結果，需要進行數據整理，以便集中在灰霾數據庫100中集中處理;所述的數據整理模塊102包括，對不同的數據采用不同的數據處理方法，以便將數據正理成統一格式，并存入灰霾數據庫101。
[0031]所述灰霾預測服務器103為高性能服務器，安裝于環境監測部門，取出灰霾數據庫101中的數據，進行數據預處理和輸入輸出數據的初始化，設置BP神經網絡的訓練參數，神經元學習和擬合函數曲線，預測值和實際值對比，不斷修正當前輸入量，直到訓練誤差低于設定值為止，最后輸出預測量。所述灰霾預測服務器103，能夠響應用戶的灰霾預測和查詢請求，具備穩定的神經元學習方法，并將最后預測結果聯網顯示和發送給移動終端。
[0032]所述數據預處理模塊104安裝于服務器上，用于將從灰霾數據庫101中取出的數據，進行歸一化處理，使數據分布于[-1?+1]之間，為神經元學習訓練準備高質量的數據。
[0033]所述神經元訓練模塊105安裝于服務器上，設置好訓練參數后，神經元通過自學習，利用實際輸出與期望輸出之間的誤差對網絡權重系數進行修正，最后輸出最佳預測效果O
[0034]所述BP神經網絡預測模塊I對神經元預測結果進行輸出，同時將數據反歸一化，得到與原始數據相同指標下的數據。所述的BP神經網絡預測模塊106，將預測結果輸入WEB月艮務器107和移動終端108，及時高效地灰霾預警。
[0035]所述WEB服務器107安裝于各地環境監測部門和用戶，可以預測灰霾發展趨勢，將預測結果轉換為圖表、折線圖等形式，發送給相關氣象部門。所述的WEB服務器107，將預測結果對應為各個等級的灰霾，根據灰霾指數情況，做出相應的預警，制定相應的灰霾治理策略。
[0036]所述移動終端108:預測結果轉換為空氣質量指數或者圖表、預測結果折線圖，發送到移動終端用戶手中，為用戶出行提供建議。用戶可以實時查詢灰霾相關指數情況，移動終端給即將外出的用戶提供相應的建議，方便快捷的提醒用戶。
[0037]如圖2所示，為本發明實例提供的一種基于BP神經網絡的灰霾預測方法算法流程圖，其特征在于，包括如下模塊，收集灰霾數據和歸一化處理，給定輸入和輸出向量，計算輸出結果，期望值輸出結果，期望值輸出和實際偏差，誤差是否滿足計算結束條件，預測灰霾指數。根據所述的神經元訓練和工作流程，該方法包括，神經元自學習、自適應調整學習步長，完成信息的正向傳播和誤差的反向傳播。根據所述的算法流程，其特征在于，該方法包括，BP算法具有較好的收斂特性，較好的自學習和自適應能力，容錯能力。
[0038]如圖3所示，為本發明實例提供的一種基于BP神經網絡的灰霾預測方法預測結果圖，能夠符合實際數據。根據所述的預測算法流程，該方法包括，簡單縮放、逐樣本均值消減和特征標準化等方法，通過預處理使BP算法能夠發揮最佳預測效果。
[0039]圖3中，可以看到空氣質量數據(如圖3中的數據點)的離散度比較大，對其進行準確地預測一直以來是環境預測和空氣質量預測的難點。所述方法能夠對PM2.5，PM1.0顆料物、二氧化碳、二氧化氮、一氧化硫等，這些不同屬性的實體進行計算，并進行較為準確的預測(如圖3中Fit曲線)。進一步地，所述方法能夠計算生產、生活、環境等系統的數據和進行自學習，從而得到有針對性的治理方案。
[0040]以上實施方式僅適用于說明本發明，而并非對本發明的限制，有關技術領域的普通技術人員，在不脫離本發明的精度和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬于本發明的范疇，本發明的專利保護范疇應自權利要求限定。
【主權項】
1.一種基于BP神經網絡的灰霾預測的系統，包括數據采集模塊(100)、灰霾數據庫(101)、灰霾預測服務器(103)、WEB服務器(107)、移動終端(108);數據采集模塊(100)連接灰霾數據庫(101)，灰霾數據庫(101)連接灰霾預測服務器(103)，灰霾預測服務器(103)分別連接WEB服務器(107)、移動終端(108);其特征在于:所述數據采集模塊(100)，通過各種傳感器和監測器材獲取與灰霾相關的數據，將收集的數據存入灰霾數據庫(101); 所述灰霾數據庫(101)，用于存放與灰霾相關的可吸入顆粒物、二氧化硫和氮氧化物數據； 所述灰霾預測服務器(103)，用于取出灰霾數據庫(101)中的數據，進行數據預處理和輸入輸出數據的初始化，設置BP神經網絡的訓練參數，神經元學習和擬合函數曲線，預測值和實際值對比，不斷修正當前輸入量，直到訓練誤差低于設定值為止，最后輸出預測量;所述WEB服務器(107)，用于將預測結果對應為各個等級的灰霾，根據灰霾指數情況，做出相應的預警，制定相應的灰霾治理策略;所述移動終端(108)，用于將預測結果轉換為空氣質量指數或者圖表、預測結果折線圖，發送到移動終端用戶手中，為用戶出行提供建議。2.根據權利要求1所述一種基于BP神經網絡的灰霾預測的系統，其特征在于:所述數據采集模塊(100)，采集的數據信息由國家環境、統計部門統一采集和錄入;數據采集模塊(100)由中國氣象部門或灰霾權威機構發布、管理和更新，將收集到的數據存入灰霾數據庫(101 )，經過數據整理后傳輸給灰霾預測服務器(103)。3.根據權利要求1所述一種基于BP神經網絡的灰霾預測的系統，其特征在于:所述灰霾數據庫(101)包括述數據整理模塊(102)，數據整理模塊(102)將數據采集模塊(100)采集的數據進行整理、匯總，這些數據可能來源于不同的數據庫或者數據集，數據通常是不完整的、缺失的、含有噪聲的，這種低質量的數據輸入無法得到高質量的預測結果，需要進行數據整理，以便集中在灰霾數據庫(101)中集中處理。4.根據權利要求1所述一種基于BP神經網絡的灰霾預測的系統，其特征在于:所述數據整理模塊(102)，用于對不同的數據，采用不同的數據處理方法，以便將數據正理成統一格式，并存入灰霾數據庫(101)。5.根據權利要求1所述一種基于BP神經網絡的灰霾預測的系統，其特征在于:所述灰霾預測服務器(103)包括數據預處理模塊(104)、神經元訓練模塊(105)、BP神經網絡預測模塊(106)； 數據預處理模塊(104)包括簡單縮放、逐樣本均值消減和特征標準化方法，通過數據預處理模塊(104)，使BP算法能夠發揮最佳預測效果； 神經元訓練模塊(105)設置好訓練參數后，神經元通過自學習，利用實際輸出與期望輸出之間的誤差對網絡權重系數進行修正，最后輸出最佳預測效果； BP神經網絡預測模塊(106)，用于對神經元預測結果進行輸出，同時將數據反歸一化，得到與原始數據相同指標下的數據;BP神經網絡預測模塊(106)將預測結果輸入WEB服務器(107)、移動終端(108)。6.根據權利要求1所述一種基于BP神經網絡的灰霾預測的系統，其特征在于:所述WEB服務器(107)，用于預測灰霾發展趨勢，將預測結果轉換為圖表、折線圖形式，形成報表，發送給相關氣象部門。7.一種基于BP神經網絡的灰霾預測的方法，其特征在于:將灰霾預測方法描述為一種多輸入多輸出的神經網絡預測系統，通過神經元的自學習機制，預測可能的灰霾發展趨勢；通過BP神經網絡模型來挖掘輸入輸出數據之間存在的內部關系，不斷擬合輸入數據之間的關聯關系，通過不斷反饋和學習機制降低預測誤差，為灰霾防治提供參考。
【文檔編號】G06Q10/04GK106067079SQ201610446390
【公開日】2016年11月2日
【申請日】2016年6月20日 公開號201610446390.4, CN 106067079 A, CN 106067079A, CN 201610446390, CN-A-106067079, CN106067079 A, CN106067079A, CN201610446390, CN201610446390.4
【發明人】蔡政英, 張余, 楊麗俊, 仵夢陽
【申請人】三峽大學