申请/专利权人：南昌工程学院

申请日：2022-10-21

公开（公告）日：2023-01-13

公开（公告）号：CN115600745A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N3/006;G06N5/048;G06F17/18

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.02.07#实质审查的生效;2023.01.13#公开

摘要：本发明提出了一种基于SSA‑DE‑ANFIS模型的短期AQI预测方法，包括：S1，将原始AQI序列分解为趋势分量和噪声分量；S2，将趋势序列和噪声序列均划分为训练集和测试集，得到趋势序列的变化范围和噪声序列的变化范围；S3，将训练集中的趋势序列和噪声序列均转化成连续的论域，然后对每个特征进行模糊化，得到中心和宽度；S4，初始化差分进化算法的参数，根据寻优范围对ANFIS模型的前件参数初始化，对ANFIS模型的后件参数初始化；S5，将趋势序列训练集和噪声序列训练集分别输入ANFIS模型，对ANFIS模型的参数进行优化，得到最终趋势序列的ANFIS模型和噪声序列的ANFIS模型；S6，采用最终趋势序列的ANFIS模型和噪声序列的ANFIS模型进行预测，将预测值相加得到预测的AQI值。本发明能有效提高AQI预测精度。

主权项：1.一种基于SSA-DE-ANFIS模型的短期AQI预测方法，其特征在于，包括以下步骤：S1，使用奇异谱分析SSA将原始AQI序列分解为趋势分量和噪声分量；S2，将趋势序列和噪声序列均划分为训练集和测试集，然后根据趋势序列训练集的最大值和最小值得到趋势序列的变化范围，根据噪声序列训练集的最大值和最小值得到噪声序列的变化范围；S3，将训练集中的趋势序列和噪声序列均转化成连续的论域U，然后对每个特征选择两个高斯隶属度函数进行模糊化得到高模糊集和低模糊集，再在寻优范围中得到高模糊集和低模糊集对应的中心和宽度；S4，初始化差分进化算法DE的参数，并根据所述寻优范围对ANFIS模型的前件参数进行初始化，在[-5，5]范围内对ANFIS模型的后件参数进行初始化，并且不对规则后件参数的寻优范围进行约束；S5，将趋势序列训练集和噪声序列训练集分别输入ANFIS模型，得到趋势序列训练集和噪声序列训练集的预测结果，然后以均方根误差RMSE为目标函数，在趋势序列训练集和噪声序列训练集上使用差分进化算法DE对所述ANFIS模型的参数进行优化，得到最终趋势序列的ANFIS模型和噪声序列的ANFIS模型；S6，采用所述最终趋势序列的ANFIS模型和噪声序列的ANFIS模型进行预测，得到趋势序列的预测值和噪声序列的预测值，然后将两个预测值相加得到预测的AQI值。

全文数据：

权利要求：

百度查询： 南昌工程学院 基于SSA-DE-ANFIS模型的短期AQI预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD