PM2.5浓度的预测方法、装置、计算机设备及存储介质与流程

pm2.5浓度的预测方法、装置、计算机设备及存储介质
技术领域
1.本申请涉及环境监测模型开发领域，揭示了一种pm2.5浓度的预测方法、装置、计算机设备及存储介质。


背景技术：

2.大气为地球上生命的繁衍与人类的发展提供了理想的环境。它的状态和变化，直接影响着人类的生产、生活和生存。空气质量问题始终是政府、环境保护部门和全国人民关注的热点问题。细颗粒物pm2.5的浓度指标作为空气质量监测的重要指标，对其进行浓度分析和预测是有必要的。pm2.5浓度受到多种因素的影响，当影响变量以及数据量较多时，目前的模型无法进行较准的预测pm2.5浓度，或者只能预测pm2.5浓度随时间变化，即目前的模型无法准确、快速地预测pm2.5浓度。


技术实现要素：

3.本申请的主要目的为提供一种pm2.5浓度的预测方法、装置、计算机设备及存储介质，旨在解决前的产品无法准确、快速地预测pm2.5浓度的问题。
4.为了实现上述发明目的，本申请提出一种pm2.5浓度的预测方法，包括：
5.基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据；
6.将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量；
7.将所述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。
8.进一步地，所述神经网络模型通过如下方式构建，包括：
9.获取神经网络模型的构建参数，根据所述构建参数构建神经网络模型的输入层、隐含层、输出层；
10.获取所述构建参数中的配置信息，根据所述配置信息配置输入层的输入层节点的个数及各个输入层节点所接收的环境参数；以及配置输出层的输出层节点及输出层节点的个数，根据所述输入层节点的个数与输出层节点的个数确定隐含层节点的个数；
11.获取隐含层节点的连接权系数；
12.获取历史的环境参数数据及pm2.5浓度的检测数据；
13.将所述环境参数数据作为输入层节点的数据，将所述pm2.5浓度的检测数据作为输出层节点的数据，对隐含层节点的连接权系数进行训练，直至pm2.5浓度的期望值与pm2.5浓度的检测数据的误差在预设方差内，确定所述连接权系数；
14.根据所述输出层、输出层及隐含层确定神经网络模型。
15.进一步地，所述根据所述输入层节点的个数与输出层节点的个数确定隐含层节点的个数，包括：
16.根据所述输入层节点的个数与输出层节点的个数，确定隐含层节点的初始数量；获取神经网络模型在隐含层节点的个数为初始数量时的第一均方差；
17.将隐含层节点的个数由所述初始数量变化为目标数量，并获取神经网络模型在隐含层节点的个数为目标数量时的第二均方差；
18.比较所述第一均方差与第二均方差的差值，若所述差值满足预设要求，确定所述隐含层节点的个数为目标数量。
19.进一步地，所述比较所述第一均方差与第二均方差的差值之后，还包括：
20.若所述差值不满足预设要求，获取退火函数的当前值；所述退火函数的当前值与隐含层节点的个数由所述初始数量变化为目标数量的次数相关联；
21.根据所述差值与退火函数的当前值的比值计算退火的次数，并获取所述退火次数对应的目标数量作为所述隐含层节点的个数。
22.进一步地，所述输入层与隐含层的数据传输的传递函数、隐含层节点之间的数据传输的传递函数，隐含层与输出层的数据传输的传递函数配置为不同的传递函数。
23.进一步地，所述基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，包括：
24.获取当前地区的环境特征，根据所述环境特征确定当前地区所需采集的环境监测值；
25.获取神经网络模型的输入层节点预配置处理的环境监测值；
26.基于神经网络模型的输入层预配置的若干个输入层节点分别接收当前地区的环境监测值。
27.进一步地，所述获取神经网络模型的输入层节点预配置处理的环境监测值之前，还包括：
28.获取当前地区不同的环境监测值的数据量；
29.根据不同的环境监测值的数据量配置神经网络模型中处理不同的环境监测值的输入层节点的数量，以配置神经网络模型的输入层节点处理所述当前地区的环境监测值。
30.本申请还提供一种pm2.5浓度的预测装置，包括：
31.数据转化模块，用于基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据；
32.数据计算模块，用于将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量；
33.数据输出模块，用于将所述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。
34.本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述pm2.5浓度的预测方法的步骤。
35.本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述pm2.5浓度的预测方法的步骤。
36.本申请例提供了一种pm2.5浓度数据的预测方法，通过获取当前地区的环境监测值，将所述环境监测值输入至预设的神经网络模型，基于神经网络模型的输入层预配置的若干个输入层节点接收所述环境监测值，并识别所述环境监测值，将监测到的环境监测值的物理数据转化为计算机能够识别的计算机数据，从而获取环境参数数据，再将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，为不同的环境参数数据分配不同的隐含层节点处理所述环境参数数据，隐含层节点能够将所述环境参数数据转化为环境矢量，再根据各个隐含层节点的连接权系数计算所述环境矢量，其中，隐含层节点的连接权系数标识了隐含层节点对环境矢量的处理精度及各个环境矢量的比例系数，通过各个环境矢量的计算生成pm2.5浓度矢量，再由输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据后输出，从而能够快速、准确地预测地区的pm2.5浓度数据。
附图说明
37.图1为本申请pm2.5浓度的预测方法的一实施例流程示意图；
38.图2为本申请pm2.5浓度的预测方法的另一实施例流程示意图；
39.图3为本申请pm2.5浓度的预测装置的一实施例结构示意图；
40.图4为本申请计算机设备的一实施例结构示意框图。
41.本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
43.参照图1，本申请实施例提供一种pm2.5浓度的预测方法，包括步骤s10
‑
s40，对于所述pm2.5浓度的预测方法的各个步骤的详细阐述如下。
44.s10、基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据。
45.本实施例应用于pm2.5浓度的预测场景中，通过获取当前地区的环境监测值，所述环境监测值通过获取各个监测站部署的环境参数采集设备采集，所述环境监测值包括二氧化硫so2、二氧化氮no2、可吸入颗粒物pm10、细颗粒物、臭氧o3和一氧化碳co，最高温，最低温等数据，然后基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值。
46.本实施例中，通过构建预测pm2.5浓度的神经网络模型，所述神经网络模型由3层bp神经网络组成，包括输入层、隐含层、输出层，所述输入层预配置了多个神经元，将输入层预配置的神经元定义为输入层节点，由于pm2.5浓度跟空气中的其他有害气体的浓度存在直接或间接的相关关系，并且pm2.5浓度在不同地区、不同时间段会存在不同，本实施例中，基于神经网络模型的输入层预配置的若干个输入层节点接收所述环境监测值，并识别所述环境监测值，神经网络模型中不同的输入层节点分别用于处理不同的环境参数，输入层节
点能够将监测到的环境监测值物理数据进行识别，并转化为计算机能够识别的计算机数据，即通过输入层预配置的若干个输入层节点识别所述环境监测值，将所述环境监测值转化为转为环境参数数据。
47.s20、将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量。
48.在获取了环境参数数据后，再将输入层节点所接收的所述环境参数数据输入至所述输入层节点连接的隐含层的若干个隐含层节点，所述预测pm2.5浓度的神经网络模型的隐含层亦配置了若干个神经元，将隐含层配置的神经元定义为隐含层节点，隐含层节点能够将所述环境参数数据进行转化，转化为神经网络能够处理的矢量数据，本实施例中，基于隐含层节点将所述环境参数数据转化为环境矢量，即不同的环境参数数据转化为不同的环境矢量，且根据不同的环境参数数据对于pm2.5浓度预测的影响程度不同，利用不同的隐含层节点分别处理对应的环境参数数据，在一种实施方式中，环境参数数据a的数据量较大时，则分配处理性能更高的隐含层节点a处理所述环境参数数据a；环境参数数据b的数据量较小时，则分配标准处理性能的隐含层节点b处理所述环境参数数据b，从而快速地将所述环境参数数据转化为环境矢量。
49.在隐含层节点将所述环境参数数据转化为环境矢量后，再根据各个隐含层节点的连接权系数计算所述环境矢量，其中，隐含层节点的连接权系数标识了隐含层节点对环境矢量的处理精度，当需要的处理精度越高时，所述隐含层节点的连接权系数的数值越精细，所述连接权系数的数值范围为(0，1)，当需要处理的精度越高，连接权系统的小数点后的位数越多，并且隐含层节点的连接权系数还表示了各个隐含层节点对各个环境矢量的比例系数，从而根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量。
50.s30、将所述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。
51.当生成pm2.5浓度矢量后，将所述pm2.5浓度矢量传入至输出层，由输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，转化后的pm2.5浓度数据能够预测当地的pm2.5浓度的变化情况，即预测环境参数的采集地的pm2.5浓度的变化情况，并且还表示哪些环境参数影响了所述pm2.5浓度数据的变化，然后输出所述pm2.5浓度数据，从而能够快速、准确地预测地区的pm2.5浓度数据。
52.本实施例提供了一种pm2.5浓度数据的预测方法，通过获取当前地区的环境监测值，将所述环境监测值输入至预设的神经网络模型，基于神经网络模型的输入层预配置的若干个输入层节点接收所述环境监测值，并识别所述环境监测值，将监测到的环境监测值的物理数据转化为计算机能够识别的计算机数据，从而获取环境参数数据，再将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，为不同的环境参数数据分配不同的隐含层节点处理所述环境参数数据，隐含层节点能够将所述环境参数数据转化为环境矢量，再根据各个隐含层节点的连接权系数计算所述环境矢量，其中，隐含层节点的连接权系数标识了隐含层节点对环境矢量的处理精度及各个环境矢量的比例系数，通过各个环境矢量的计算生成pm2.5浓度矢量，再由输出层的输出层节点将所述pm2.5浓度矢
量转化为pm2.5浓度数据后输出，从而能够快速、准确地预测地区的pm2.5浓度数据。
53.在一个实施例中，所述神经网络模型通过如下方式构建，包括：
54.获取神经网络模型的构建参数，根据所述构建参数构建神经网络模型的输入层、隐含层、输出层；
55.获取所述构建参数中的配置信息，根据所述配置信息配置输入层的输入层节点的个数及各个输入层节点所接收的环境参数；以及配置输出层的输出层节点及输出层节点的个数，根据所述输入层节点的个数与输出层节点的个数确定隐含层节点的个数；
56.获取隐含层节点的连接权系数；
57.获取历史的环境参数数据及pm2.5浓度的检测数据；
58.将所述环境参数数据作为输入层节点的数据，将所述pm2.5浓度的检测数据作为输出层节点的数据，对隐含层节点的连接权系数进行训练，直至pm2.5浓度的期望值与pm2.5浓度的检测数据的误差在预设方差内，确定所述连接权系数；
59.根据所述输出层、输出层及隐含层确定神经网络模型。
60.本实施例中，神经网络模型通过如下方式训练得到，首先获取神经网络模型的构建参数，根据所述构建参数构建神经网络模型的输入层、隐含层、输出层，可选的，所述神经网络模型由3层bp神经网络组成，分别为输入层、隐含层、输出层，通过将构建参数输入至matlab软件构建3层bp神经网络模型，然后获取所述构建参数中的配置信息，根据所述配置信息配置输入层的输入层节点的个数及各个输入层节点所接收的环境参数数据，即生成输入层的神经元，每个神经元作为输入层的输入层节点，然后定义每个输入层节点所对应处理的环境参数，在一种实施方式中，输入层包含14个输入层节点，用于接收包括二氧化硫so2、二氧化氮no2、可吸入颗粒物pm10、细颗粒物、臭氧o3和一氧化碳co，最高温，最低温的环境参数数据。进一步的，若某一项环境参数数据的数据量过大，可以配置由多个输入层节点处理同一项环境参数数据。然后配置输出层的输出层节点及输出层节点的个数，根据所述输入层节点的个数与输出层节点的个数确定隐含层节点的个数，即隐含层节点的个数与输入层节点个数及输出层节点个数相关联。再获取各个隐含层节点的连接权系数，此时的连接权系数可以定义为初始系数，后续通过不断训练而修改各个隐含层节点的连接权系数。
61.在配置输入层、输出层及隐含层后，获取历史的环境参数数据及pm2.5浓度的检测数据，然后将所述历史的环境参数数据作为输入层节点的数据值，将所述pm2.5浓度的检测数据作为输出层节点的数据值，输入层节点的数据值通过隐含层的转化而得到输出层节点的数据值，因此在输入输入层节点的数据值及输出层节点的数据值后，便将对隐含层节点进行训练，具体是对隐含层节点的连接权系数进行训练，并通过模型的实际输出值与期望输出值之间的误差来修改各种隐含层节点的连接权系数，直至pm2.5浓度的期望值与pm2.5浓度的检测数据的误差在预设方差内，确定所述连接权系数为训练完成的模型系数，再根据训练后的所述输出层、输出层及隐含层确定神经网络模型。
62.进一步的，所述根据所述输入层节点的个数与输出层节点的个数确定隐含层节点的个数，包括：
63.根据所述输入层节点的个数与输出层节点的个数，确定隐含层节点的初始数量；获取神经网络模型在隐含层节点的个数为初始数量时的第一均方差；
64.将隐含层节点的个数由所述初始数量变化为目标数量，并获取神经网络模型在隐含层节点的个数为目标数量时的第二均方差；
65.比较所述第一均方差与第二均方差的差值，若所述差值满足预设要求，确定所述隐含层节点的个数为目标数量。
66.本实施例中，隐含层节点的个数影响了模型的预测准确度与预测精度，通过不断迭代选取最合适的隐含层节点的个数，具体的，根据所述输入层节点的个数与输出层节点的个数，确定隐含层节点的初始数量，再获取神经网络模型在隐含层节点的个数为初始数量时的第一均方差，记录神经网络模型当前的参数和误差；再将隐含层节点的个数由所述初始数量变化为目标数量，在一种实施方式中，将隐含层节点的个数由所述初始数量增加1，确定为目标数量，然后获取神经网络模型在隐含层节点的个数为目标数量时的第二均方差，比较所述第一均方差与第二均方差的差值，若所述差值满足预设要求，确定所述隐含层节点的个数为目标数量，确定更优的隐含层节点的个数，提高神经网络模型的预测准确度与精度。
67.在一种实施方式中，隐含层节点的数量为h时神经网络模型的均方差以评价函数值c(h)表示，当隐含层节点的数量变化为h+1时，评价函数值为c(h+1)，再令δt＝c(h+1)
‑
c(h)，即比较所述第一均方差与第二均方差的差值，若δt<0，则h+1为隐含层的个数。
68.本实施例中，所述比较所述第一均方差与第二均方差的差值之后，还包括：
69.若所述差值不满足预设要求，获取退火函数的当前值；所述退火函数的当前值与隐含层节点的个数由所述初始数量变化为目标数量的次数相关联；
70.根据所述差值与退火函数的当前值的比值计算退火的次数，并获取所述退火次数对应的目标数量作为所述隐含层节点的个数。
71.本实施例中，所述比较所述第一均方差与第二均方差的差值之后，若所述差值不满足预设要求，采用模拟退火算法确定隐含层节点的个数，具体的，初始化退火温度t0，退火的控制函数为t
k+1
＝αt
k
，其中α为小于1的正数，令t
k为
初始化退火温度t0，若所述差值不满足预设要求，获取退火函数的当前值，所述退火函数的当前值与隐含层节点的个数由所述初始数量变化为目标数量的次数相关联，当变化的次数越多时，tk+1越小，然后根据所述差值与退火函数的当前值的比值计算退火的次数，并获取所述退火次数对应的目标数量作为所述隐含层节点的个数，在一种实施方式中以概率exp(
‑
δt/t)退火次数对应的目标数量作为所述隐含层节点的个数。通过引入模拟退火算法，根据训练网络的均方差为评价函数，反复迭代降温，确定最优的隐含层节点的个数，能够有效地降低模型的预测误差，提高预测的准确度。
72.在一个实施例中，所述输入层与隐含层，隐含层节点之间，隐含层与输出层的数据传输的传递函数不同。
73.本实施例中，神经网络模型的传递函数有多种，其中，输入层与隐含层的数据传输的传递函数采用log
‑
sigmoid函数，log
‑
sigmoid函数的输入值可取任意值，输出值在0和1之间，能够将输入层的环境参数数据量化后传输至隐含层。隐含层节点之间的数据传输的传递函数采用tansig函数，tansig函数的误差较小，符合隐含层节点之间的数据传输需求；隐含层与输出层的数据传输的传递函数采用purelin线性传递函数，能够将隐含层节点得到的pm2.5浓度矢量线性输出，快速地得到pm2.5浓度数据。
74.在一个实施例中，如图2所示，所述基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，包括：
75.s11：获取当前地区的环境特征，根据所述环境特征确定当前地区所需采集的环境监测值；
76.s21：获取神经网络模型的输入层节点预配置处理的环境监测值；
77.s22：基于神经网络模型的输入层预配置的若干个输入层节点分别接收当前地区的环境监测值。
78.本实施例中，不同的地区环境情况不同，为了适配不同地区的pm2.5浓度的预测，需要选取神经网络模型不同的参数，具体的，获取当前地区的环境特征，所述当前地区的环境特征可以通过当前地区的工业指数确定，所述工业指数包括不同的生产工业的组成比例，例如当前地区以重工业为主，确定的环境特征为特征a，当前地区以旅游业为主，确定的环境特征为特征b。然后根据所述环境特征确定当前地区所需采集的环境监测值，根据不同的环境特征确定当前地区所侧重采集的环境监测值，然后将所述环境监测值输入至预设的神经网络模型，再获取神经网络模型的输入层节点预配置处理的环境监测值，基于神经网络模型的输入层预配置的若干个输入层节点分别接收当前地区的环境监测值，然后通过神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，此时的神经网络模型的输入层节点即能够处理当前地区的环境监测值。例如某一地区的环境监测值a的含量较大，且比其他地区多了环境监测值x，此时更改输入层节点所接收的环境监测值，增加输入层的节点用于环境监测值x，通过对不同地区配置不同的神经网络模型的参数进行预测pm2.5浓度，从而更准确地预测各个不同地区的pm2.5浓度数据。
79.在一个实施例中，所述获取神经网络模型的输入层节点预配置处理的环境监测值之前，还包括：
80.获取当前地区不同的环境监测值的数据量；
81.根据不同的环境监测值的数据量配置神经网络模型中处理不同的环境监测值的输入层节点的数量，以配置神经网络模型的输入层节点处理所述当前地区的环境监测值。
82.本实施例中，在配置神经网络模型的输入层节点处理所述当前地区的环境监测值时，考虑到当前地区所采集的不同的数据量的环境监测值，不同地区中的各个环境监测值所对应的数据量不同，获取当前地区不同的环境监测值的数据量，所述当前地区不同的环境监测值的数据量可以通过历史数据库收集的当前地区的环境监测值的数据量而得到，然后根据不同的环境监测值的数据量配置神经网络模型中处理不同的环境监测值的输入层节点的数量，当某一环境监测值的数据量较大时，配置神经网络模型中处理不同的环境监测值的输入层节点的数量更多，当当某一环境监测值的数据量较小时，配置神经网络模型中处理不同的环境监测值的输入层节点的数量更少，再以配置神经网络模型的输入层节点处理所述当前地区的环境监测值，不同数量的输入层节点处理不同的环境监测值，合理分配输入层节点的资源，从而提高对大数据量的环境监测值的处理效率。
83.参照图3，本申请还提供一种pm2.5浓度的预测装置，包括：
84.数据转化模块10，用于基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据；
85.数据计算模块20，用于将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量；
86.数据输出模块30，用于将所述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。
87.如上所述，可以理解地，本申请中提出的所述pm2.5浓度的预测装置的各组成部分可以实现如上所述pm2.5浓度的预测方法任一项的功能。
88.参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是移动终端，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中，该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示装置用于显示离线应用。该计算机设备的输入装置用于接收用户在离线应用的输入。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质。该非易失性存储介质存储有操作系统、计算机程序和数据库。该计算机设备的数据库用于存放原始数据。该计算机程序被处理器执行时以实现一种pm2.5浓度的预测方法。
89.上述处理器执行上述的pm2.5浓度的预测方法，包括：基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据；将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量；将所述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。所述计算机设备提供了一种pm2.5浓度数据的预测方法，通过获取当前地区的环境监测值，将所述环境监测值输入至预设的神经网络模型，基于神经网络模型的输入层预配置的若干个输入层节点接收所述环境监测值，并识别所述环境监测值，将监测到的环境监测值的物理数据转化为计算机能够识别的计算机数据，从而获取环境参数数据，再将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，为不同的环境参数数据分配不同的隐含层节点处理所述环境参数数据，隐含层节点能够将所述环境参数数据转化为环境矢量，再根据各个隐含层节点的连接权系数计算所述环境矢量，其中，隐含层节点的连接权系数标识了隐含层节点对环境矢量的处理精度及各个环境矢量的比例系数，通过各个环境矢量的计算生成pm2.5浓度矢量，再由输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据后输出，从而能够快速、准确地预测地区的pm2.5浓度数据。
90.本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现一种pm2.5浓度的预测方法，包括步骤：基于神经网络模型的输入层预配置的若干个输入层节点接收当前地区的环境监测值，并识别所述环境监测值，将所述环境监测值转化为环境参数数据；将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，基于隐含层节点将所述环境参数数据转化为环境矢量；并根据各个隐含层节点的连接权系数计算所述环境矢量，生成pm2.5浓度矢量；将所
述pm2.5浓度矢量传输至与所述隐含层节点连接的输出层的输出层节点，由所述输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据，输出所述pm2.5浓度数据。所述计算机可读存储介质提供了一种pm2.5浓度数据的预测方法，通过获取当前地区的环境监测值，将所述环境监测值输入至预设的神经网络模型，基于神经网络模型的输入层预配置的若干个输入层节点接收所述环境监测值，并识别所述环境监测值，将监测到的环境监测值的物理数据转化为计算机能够识别的计算机数据，从而获取环境参数数据，再将所述环境参数数据输入至与所述输入层节点连接的隐含层的若干个隐含层节点，为不同的环境参数数据分配不同的隐含层节点处理所述环境参数数据，隐含层节点能够将所述环境参数数据转化为环境矢量，再根据各个隐含层节点的连接权系数计算所述环境矢量，其中，隐含层节点的连接权系数标识了隐含层节点对环境矢量的处理精度及各个环境矢量的比例系数，通过各个环境矢量的计算生成pm2.5浓度矢量，再由输出层的输出层节点将所述pm2.5浓度矢量转化为pm2.5浓度数据后输出，从而能够快速、准确地预测地区的pm2.5浓度数据。
91.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
92.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
93.以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。