1.一种基于bi-gru的pm2.5数据处理与预测方法,其特征在于,包括以下步骤:
步骤1,构建pm2.5数据的预测模型;
步骤2,利用训练集数据,对所述pm2.5数据的预测模型进行训练;
步骤3,将测试集数据输入训练完毕的pm2.5数据的预测模型中,计算获得pm2.5的预测值;
所述预测模型包括bi-gru层、第一全连接层、第二全连接层和第三全连接层,各层之间依次顺序连接,前一层的输出为后一层的输入,所述bi-gru层由一个正向gru模型和一个反向gru模型并联形成一个双向结构,所述bi-gru层输出两个合并的gru信号,所述的第一全连接层的输出层为100,所述的第二全连接层的输出层为10,所述的第三全连接层的输出层为1;
所述训练集数据包括影响因素数据和已知的pm2.5观测数据;
所述的测试集数据为待预测的pm2.5数据的影响因数数据。
2.根据权利要求1所述的pm2.5数据处理与预测方法,其特征在于,所述影响因素数据包括predictionhours前历史pm2.5数据、光照强度、露点温度、空气湿度、气压、温度、风速、每小时降雨量、8小时历史总降雨量、时间、季节、风向共20栏数据;所述时间分为白天和黑夜2栏;所述的季节分为春季、夏季、秋季、冬季4栏,风向分为东风、南风、西风、北风、无风5栏;其中,predictionhours是一个预设参数,代表预测未来predictionhours小时的pm2.5浓度。
3.根据权利要求2所述的pm2.5数据处理与预测方法,其特征在于,对所述训练集数据根据不同时间或季节进行分类,使用不同类别的训练集分别训练不同类型下的pm2.5数据的预测模型;预测模型训练完成以后,针对当前测试集数据,利用测试集数据对应类型的预测模型,计算获得pm2.5的预测值。
4.根据权利要求1所述的pm2.5数据处理与预测方法,其特征在于,所述的bi-gru层中正向gru模型的中间输出
5.根据权利要求4所述的pm2.5数据处理与预测方法,其特征在于,步骤1中所述预测模型的输出值为
6.根据权利要求1所述的pm2.5数据处理与预测方法,其特征在于,所述预测模型中的损失函数采用标准归一化mse,激活函数采用relu函数,步骤2的训练过程中,通过adam函数进行学习,得到参数神经网络参数模型。