申请/专利权人：重庆工商大学;重庆高新区飞马创新研究院

申请日：2021-10-22

公开（公告）日：2024-04-09

公开（公告）号：CN113988400B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/22;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明公开了一种基于PEARSON‑LSTM多步长融合网络的AQI指数预测方法，包括如下步骤：先通过采集模块获取两个月内的空气质量指数AO，并进行测试集和培训集的分割，根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；最后根据培训模型、预测模型和相似度确定待预测的AQI指数；本发明通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合实现了基于PEARSON‑LSTM多步长融合网络进行多步骤预测，提高了AQI预测的准确性。

主权项：1.一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：包括如下步骤：S1、通过采集模块获取两个月内的空气质量指数AOI；S2、将空气质量指数AOI进行测试集和培训集的分割，通过培训集的数据建立培训模型，通过测试集的数据建立预测数据库；所述培训模型在建立时，先用函数series-to-supervised将前两个月内的空气质量指数AQI进行一组数字到一组输入和输出模式的数据处理，得到学习数据集，再将学习数据集使用reshape函数中进行加载，形成新的参数值，通过新的参数值建立培训模型；所述预测数据库包括测试集的大小和形状，将后一个月内有空气质量指数AQI使用reshape函数进行加载，形成的数据库；S3、根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；所述长短期记忆神经网络模块包括LSTM区块，所述LSTM区块包括遗忘门、输入门和输出门，所述遗忘门用于决定在多大程度上保留上—个时刻的元胞状态，所述输入门用于决定将哪些信息存储在这个时刻的元胞状态，所述输出门用于决定输出哪些信息；在多步骤预测时，先测试集数据做预测后再评估预测得到完整的示例，做预测是通过persistence函数进行持久性预测，在该函数执行最后一次观察和要持久化的预测步骤的数量，当函数返回一个包含预测的数组，再调用make-forecasts函数将预测的数组进行训练、测试和配置，并将训练、测试和配置得到的数据作为参数，返回预测列表；评估预测是通过计算多步骤预测的每个时间步的RMSE得分，并根据得分绘制预测图，得RMSE分数低于70分的使用红线绘制，RMSE分数高于70分的使用蓝线绘制；所述预测模型在建立时，根据绘制的预测图的大小和形状建立的测试模型；S4、将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；S5、根据培训模型、预测模型和相似度确定待预测的AQI指数；即根据培训模型和预测模型的形状和大小确定待预测网格的AQI在不同AQI的概率值，再将培训模型预测的概率值与预测模型预测的概率值相乘，得到的不同AQI区间，计算不同AQI区间的定距变量间的线性关系与相似度比对，将相关性强的区间确定为待预测网格的AQI指数。

全文数据：

权利要求：

百度查询： 重庆工商大学;重庆高新区飞马创新研究院 一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法

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