一种区域空气pm2.5浓度预测方法
【技术领域】
[0001] 本发明涉及一种PM2. 5浓度预测方法，尤其是涉及一种区域空气PM2. 5浓度预测 方法。
【背景技术】
[0002] 随着工业化的快速推进，大气雾霾现象越来越严重，PM2. 5是造成雾霾现象的主要 元凶之一，其颗粒粒径小，能长时间悬浮于空气中并传播，并可携带有毒有害物质进入呼吸 道和肺部，对人体健康造成直接威胁。为此，基于大气的历史监测数据，对PM2. 5进行浓度 预测具有重大意义。但PM2. 5浓度的影响因素复杂繁多，如：即时工业排放、大气中污染颗 粒物浓度、气象条件、季节及阳光辐射，对其进行浓度预测具有挑战性。
[0003] 最早应用于空气污染物浓度预测的为多元回归模型，随着人工神经网络的发展， 不少学者研究用神经网络模型对空气污染物浓度进行了预测，所展现的效果均优于多元回 归模型。然而神经网络普遍存在由于大气污染物浓度的训练数据不充分而引起过拟合的问 题。支持向量机（Support Vector Machine，SVM)是20世纪90年代提出的一种新学习机， SVM因在解决小样本和非线性问题方面表现出良好的泛化能力，已在分类、时间预测、函数 估计等领域得到广泛应用。Sanchez等、Xue等、Nieto等提出利用支持向量机回归（Support Vector Regression, SVR)模型f (X) =〈co，X>+b，这里，c〇，b为待辨识的参数，X为模型 的输入，〈，> 表示点积运算。对空气污染物进行浓度预测的方法。无论是SVR模型还是人 工神经网络模型，对污染物浓度的预测都需考虑变量的时序特性，并在模型输入参数中考 虑时滞因子，以致模型的输入参数维数高，训练样本数据不足，最终导致模型的预测准确率 不高。为此，有学者提出一种基于遗传-神经网络的（GA-ANN)模型，GA-ANN利用神经网络 (ANN)模型对大气污染物浓度进行预测建模，用遗传算法（GA)根据预测性能指标对输入参 数进行0或1选择，这样虽然降低了输入参数的维数，一定程度上避免了模型的过拟合，但 同时也损失某些输入参数的有用信息，预测准确率仍然不高。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种在降低预测模型输入参数维数的基础上， 可以提高PM2. 5浓度预测准确率的区域空气PM2. 5浓度预测方法。
[0005] 本发明解决上述技术问题所采用的技术方案为：一种区域空气PM2. 5浓度预测方 法，包括以下步骤：
[0006] ①构造待训练的支持向量机回归模型的训练样本数据：
[0007] ①-1将当前时刻记为t时刻，t-n时刻表示当前时刻的前η个时亥I」，η = 1，2, 3, 4,…；
[0008] 将t-Ι时刻测量得到的区域空气的大气能见度记SxN(t_l)，浊度记Sx z(t_l)，气 温记为Xt (t-ι)，气压记为Xp (t-ι)，风速记为Xw (t-ι);
[0009] 将t_td时刻测量得到的区域空气中S02的浓度记为X SC]2 (t_td)，N02的浓度记 为xNci2(t-td)，PMlO的浓度记为xpnlQ(t-t d)，ΡΜ2· 5的浓度记为Xpn25(t-td)，03的浓度记为 x〇3 (t-td)，CO的浓度记为xco (t-td) ;td为时滞因子且t尸1，2,…，d，d为大于等于2的整 数；将t时刻预测的PM2. 5浓度记为ypni25(t);
[0010] ①-2将待训练的支持向量机回归模型f (X) =〈 ω，X>+b的输入参数记为Xin⑴， 待训练的支持向量机回归模型的输出记为Yciut(T)，Xin(T)和Yciut(T)构成训练参数对，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，□为矩阵符号，Xin(T)为 IX (6Xd+5)的矩阵， 符号X为乘运算符号；
[0015] ①-3获取t时刻之前区域空气中S02浓度、N02浓度、PMlO浓度、PM2. 5浓 度、03浓度、CO浓度、大气能见度、浊度、气温记、气压和风速的历史测量数据，得到 {Χιηα-2)，Υ_α-2)}，{Χιηα-3)，Υ_α-3)}，…，{Χιηα-501)，Υ_α-501)}共 500 组训练 参数对，将该500组训练参数对作为待训练的支持向量机回归模型的训练样本数据；②采 用训练样本数据对待训练的支持向量机回归模型f (X) =〈 ω，X>+b进行训练，得到支持向 量机回归模型的模型参数ω和b ;将得到的支持向量机回归模型的模型参数ω和b代入 支持向量机回归模型f (X) = <?，X>+b中得到训练后的支持向量机回归模型，将该训练后 的支持向量机回归模型作为PM2. 5浓度预测模型；
[0016] ③初始化粒子群参数：在[0, 1]内随机产生种群规模为N的粒子群，N = 100,每 个粒子均含有位置和速度属性，随机初始化粒子群中各粒子的速度和位置，将第i个粒子 初始化后的当前位置记为W1(O),当前速度记为V1(O), i = 1，2，···，N，其中W1(O)和V1(O) 均为 I Xm 的矩阵，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;将第i个粒子的在第k次迭代后的当前位置记为議， Wi (k) = [Wli (k)，w2i (k)，…，wmi (k)]，第 k 次迭代后的当前速度记为 Vi (k)，Vi (k)= [Vli (k)，v2i (k)，…，vmi (k) ]，k = 1，2，…，kmax;k _为粒子群的总迭代次数；
[0017] ④将粒子群中每个粒子的当前位置定义为PM2. 5浓度预测模型输入参数的权系 数矩阵；采用N个粒子的当前位置分别对PM2. 5浓度预测模型的输入参数Xin (t-Ι)进行重 构，由此得到初始状态下N个重构后的PM2. 5浓度预测模型的输入参数，将初始状态下第i 个重构后的PM2. 5浓度预测模型的输入参数记为A= (/ - U);
[0018] CN 105184012 A 说明书 3/11 页
[0019] ⑤将粒子群中第i个粒子的个体极值的初始值记为，，f,,. = 6(0)，F1 (0)= Xp^t-D-y-do) |，其中I I为取绝对值符号，yciutl(t，〇)为At(/-U)作为输入参数输入 PM2. 5浓度预测模型中得到PM2. 5浓度预测模型的输出；将粒子群的全局极值的初始值记 为G。，（:广=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对重构后的PM2. 5浓度预测模型的输入 参数进行更新，粒子群第k次迭代后重构后的PM2. 5浓度预测模型的输入参数进行第k次 更新，将第k次更新后的第i个重构后的PM2. 5浓度预测模型的输入参数记为J^(f-l,i):
[0022] 将(/-U)作为输入参数输入PM2. 5浓度预测模型中，得到PM2. 5浓度预测模型 的输出，记为;将凡代入公式Fi (k) = I Xpm25 (t-1) Iciuti (t, k) I中，计算得到第 k次更新后第i个粒子对应的适应度值F1 (k) ; I I为取绝对值符号；第k次迭代后粒子群中 第i个粒子的个体极值记为Pi, , Zy',,, =mmif:;(./)，./ = 0，l,2,·· ,将第k次迭代后第i个 粒子的个体极值对应的粒子位置记为W1 (a)，a为大于等于0且小于等于k的整数；将第 k次迭代后粒子群的全局极值记为C ，C?4 =minW(〇U = l,2,~:V;./ = (U2,~,h,min f-'?--.ιτ?'Π 表示取最小值；该全局极值对应的粒子的位置记为Wh (g)，h为大于等于1且小于等于 N的整数，g为大于等于O且小于等于k的整数；
[0023] ⑦从k = 1开始对粒子群进行更新迭代，得到更新后的各粒子的速度和位置，按照 步骤⑥更新粒子的个体极值和粒子群的全局极值，直至k = k_，结束更新迭代，得到最终 的粒子群的全局极值；
[0024] ⑧采用最终的粒子群的全局极值对应的粒子的位置对重构后的PM2. 5浓度预测 模型的输入参数进行更新，将更新后的输入参数输入PM2.