申请/专利权人：武汉大学

申请日：2021-12-28

公开（公告）日：2024-04-23

公开（公告）号：CN114330120B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/213;G06N3/0442;G06N3/045;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明公开了一种基于深度神经网络预测24小时PM2.5浓度的方法。针对目前对PM2.5长期浓度预测误差较大的问题，本发明将CEEMD分解方法与AE‑BILSTM堆叠的深度神经网络模型进行组合，构建新型混合预测模型来实现PM2.5浓度的短期精确预测和长期浓度趋势的模拟。目前深度神经网络模型已经被广泛应用，并表现出良好的性能；基于经验模态分解方法提取时间序列数据变化特征的优势也逐渐突显，两者的结合可以带来更好的预测结果。

主权项：1.一种基于深度神经网络预测24小时PM2.5浓度的方法，其特征在于，包括如下步骤：步骤1，收集某一时间段某一地区多个地面监测站点的PM2.5浓度时序数据，对应时间段内的其他6种污染物数据和NOAA地面站点的4种气象要素数据，并对所有数据进行异常值剔除和缺失值补全操作；6种污染物数据包括PM10，PM2.5，SO2，NO2，CO和O3，4种气象要素数据包括温度T，露点温度DT，风向U和风速V；步骤2，把完整的PM2.5时间序列数据划分为训练集和测试集，然后利用CEEMD分解方法分别分解两个数据集，分别为训练分量集和测试分量集，并分别计算训练分量集和测试分量集中各分量的样本熵，均值和方差；步骤3，构建AE-BILSTM模型，所述AE-BILSTM模型包括一个编码器，用于提取输入参数中的隐式特征，一个解码器，用于解码和还原输入参数，然后堆叠一个BILSTM层用于提取正向和反向的输入与输出参数间的过去与未来的变化特征；最后把BILSTM层的输出放入全连接层中，得到最后的预测结果；步骤4，选择一个与测试分量最接近的训练分量，和其他污染物与气象要素数据一起作为AE-BILSTM模型的输入参数，训练AE-BILSTM模型，每一个测试分量对应一个最接近的训练分量，并训练得到对应的AE-BILSTM模型；步骤5，将测试分量输入到对应的训练好的AE-BILSTM模型，将AE-BILSTM模型预测未来时刻的所有测试分量按照相同时刻求和的规则进行累加，以获得最终的PM2.5浓度预测结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于深度神经网络预测24小时PM_2.5浓度的方法

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