一种城市夜天空亮度预测分析方法及系统与流程

本发明涉及预测算法领域，尤其涉及一种城市夜天空亮度预测分析方法及系统。

背景技术：

1、天空发亮是城市光污染的主要表现形式之一，城市中许多低品质的室外照明所产生的上射光、溢散光、反射光等都能够增加城市的夜空亮度，减弱了人们对星星和银河的观察能力，很多城市居民不能够在夜空里看到月亮或星星，严重损害了天文爱好者及普通市民对城市星空的遥望和观察。研究人员通过对全球居民区和工业区光污染卫星资料研究后发现，世界上1/5的人，包括2/3的美国人以及一半以上的欧洲人已经对银河视而不见。尽管人类已经作了相当大的努力控制光污染，但夜空亮度仍以每年3％的速度在增长，23年后夜空亮度将还会增加一倍。

2、减弱天空发亮需要通过局部完善与整体规划相结合的方法，才能得到有效的控制。因此只有在适当的地方和时间科学合理的进行照明，才能有效的防止光污染，节约能源和保护夜晚天空，并使每个人都受益于高品质的城市光环境。夜天空亮度分布预测模型的研究可为光污染防治、合理规划照明等提供决策依据，而目前世界各国关于夜天空亮度分布模型的研究还比较有限，主要是由于被研究对象极其复杂，其复杂性表现为输入/输出呈现高度的非线性、时变性等复杂的信息结构等，尤其是监测技术和计算理论尚不完善，这些复杂性都难以用精确的数学模型(如微分方程或差分方程)来描述，还有许多方面需要进一步研究。

技术实现思路

1、本发明的主要目的在于解决现有技术中的问题。本发明提供了一种城市夜天空亮度预测分析方法：

2、一种城市夜天空亮度预测分析方法，其特征在于，所述分析方法包括以下步骤：

3、创建bp神经网络模型，确定所述bp神经网络模型的模型结构；

4、对所述bp神经网络模型进行训练，得到训练后bp神经网络模型；

5、根据输入的夜天空亮度参数，采用所述训练后bp神经网络模型，对夜天空亮度进行预测。

6、所述模型结构包括输入层与输出层神经元个数、隐藏层数量、隐藏层神经元的个数，通过以下公式确定：

7、

8、式中p为学习图形数，q为隐含层神经元个数，n为输入层神经元个数,如i>q，c＝0；

9、

10、其中m为输出神经元数，n为输入神经元数，a为1至10之间的常数；

11、q＝log2n

12、n为输入神经元数；

13、q＝n/10

14、n为输入神经元数。

15、所述对所述bp神经网络模型进行训练，得到训练后bp神经网络模型，包括：

16、采用train函数对所述bp神经网络模型进行训练，得到待仿真bp神经网络模型；

17、利用sim函数对待仿真bp神经网络模型进行仿真，得到仿真后bp神经网络模型；

18、利用postreg函数对仿真后bp神经网络模型的仿真输出和目标输出作线性回归分析，以sim函数检验神经网络的训练效果，得到训练后bp神经网络模型。

19、所述train函数的格式如下：

20、[net,tr]＝train(net，p，t)

21、其中，p为输入样本矢量集；t为对应的目标样本矢量集；等号右、左两侧的net分别用于表示训练前、训练后的神经网络对象；tr存储训练过程中的步数信息和误差信息；

22、所述sim函数的格式如下：

23、a＝sim(net,p)

24、其中，a为网络输出矢量集；p为输入样本矢量集；net分别用于表示训练后的神经网络对象；

25、所述postreg函数的格式如下：

26、r＝postreg(a,p)

27、其中，a为网络输出矢量集；p为输入样本矢量集；相关系数记为r。当r为1时，输出矢量和目标矢量相关性最好。

28、所述夜天空亮度参数包括照明方式、天气情况、节假日、测量点的方位角、高度角、时间。

29、所述分析方法还包括输入数据归一化处理步骤，所述归一化处理的公式为：

30、

31、

32、其中：p为原始输入值；

33、max p为原始输入值中的最大值；

34、min p为原始输入值中的最小值；

35、pn为归一化后神经网络的输入值；

36、t表示原始目标值；

37、maxt表示原始目标值中的最大值；

38、mint表示原始目标值中的最小值；

39、tn表示归一化后神经网络的目标值。

40、所述分析方法还包括：

41、所述神经网络模型预测得到预测值后，需将所述预测值还原为实际值，还原公式为：

42、p＝pn*(maxp-minp)+minp

43、t＝tn*(maxt-mint)+mint

44、y＝yn*(maxt-mint)+mint

45、其中：y为预测值的还原值；n y为神经网络的预测输出值。

46、所述bp神经网络模型的输入输出之间的关系式如下：

47、

48、以x1,x2,……xn表示前向反馈(bp)神经网络的输入，用y1,y2,……yn表示输出，并且假设q个输出神经元，用f(t)表示隐层神经元的激活函数，用w2lk表示输入层神经元与隐层神经元之间的连接权值，用θ1表示第1个隐层神经元的激活阀值，这里有m个n元函数，采用向量的记法，可记为y＝g(x,w)，其中y＝(y1,y2,……yk)，x＝(x1,x2,……xn)，w表示所有连接权值和激活阀值所组成的向量，采用如下建模策略：

49、(1)取输出单元数m＝1，并记：y1＝测量区域的夜天空亮度值l(cd/m2)

50、(2)取输入单元数n＝6，并记x1＝时刻t(0-23h)，x2＝测量点的方位角α(°)，x3＝测量点的高度角θ(°)，x4＝天气状况w，x5＝节假日情况f，x6＝主要照明方式z；

51、(3)取隐藏单元数q＝16，通过选用16个神经元进行学习，使其快速收敛于要求值以下；

52、(4)选取激活函数f(t)，隐含层神经元作用函数可选择西格蒙德sigmoid函数，即：输出层神经元作用函数可选择purelin函数，即：

53、f(x)＝kx；

54、综上，对上述的6个输入层神经元进行赋值，就能够预测到测量区域的夜天空亮度。

55、本发明还提供了一种基城市夜天空亮度预测分析系统，所述系统包括：

56、创建单元，所述创建单元用于创建bp神经网络模型，确定所述bp神经网络模型的模型结构；

57、训练单元，所述训练单元用于对所述bp神经网络模型进行训练，得到训练后bp神经网络模型；

58、预测单元，所述预测单元用于根据输入的夜天空亮度参数，采用所述训练后bp神经网络模型，对夜天空亮度进行预测。

59、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现前述基于轨道交通在线监测的振动地图绘制方法的各个步骤。

60、本发明的方案有以下有益效果：

61、(1)bp神经网络预测不同于传统的参数模型预测方法，不需要对数据作任何假设，既能适应于线性也能适应于非线性等各种数据序列，而且神经网络方法具有很强的自学能力，能够通过学习适应新的环境，实现自适应预测，非常适合应用于夜天空亮度分布模型的研究；

62、(2)基于bp神经网络的夜天空亮度预测模型的运行结果与实测数据比较吻合，误差在允许的范围内(相对误差不超过4.0％)，能够比较准确的预测网络输出变量，表明这种方法完全能满足实际夜天空亮度监测和预测计算需要；

63、(3)基于bp神经网络的夜天空亮度分布预测模型的建立，可以对夜天空亮度做到准确的预测，对城市亮化工程设计规划、夜天空亮度的预测与光污染控制具有十分积极的指导意义。