一种区域空气PM2.5浓度预测方法

摘要

本发明公开了一种区域空气PM2.5浓度预测方法，该方法首先通过历史数据来构造待训练的支持向量机回归模型的训练样本数据，然后通过训练样本数据得到训练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；再将粒子群寻优算法与PM2.5浓度预测模型相结合，通过粒子群寻优算法不断寻优迭代，从而不断采用粒子的位置去重构PM2.5浓度预测模型的输入参数，直至迭代完成后得到粒子群最终的全局极性，采用粒子群最终的全局极值对应的粒子的位置去重构PM2.5浓度预测模型的输入参数，将该输入参数输入PM2.5浓度预测模型中得到的输出即为PM2.5浓度；优点是可降低PM2.5浓度预测模型输入参数的维数，提高PM2.5浓度预测准确率。

主权项

一种区域空气PM2.5浓度预测方法，其特征在于包括以下步骤：①构造待训练的支持向量机回归模型的训练样本数据：①‑1将当前时刻记为t时刻，t‑n时刻表示当前时刻的前n个时刻，n＝1,2,3,4,…；将t‑1时刻测量得到的区域空气的大气能见度记为x_N(t‑1)，浊度记为x_Z(t‑1)，气温记为x_T(t‑1)，气压记为x_p(t‑1)，风速记为x_w(t‑1)；将t‑t_d时刻测量得到的区域空气中SO2的浓度记为x_so2(t‑t_d)，NO2的浓度记为x_No2(t‑t_d)，PM10的浓度记为x_pm10(t‑t_d)，PM2.5的浓度记为x_pm25(t‑t_d)，O3的浓度记为x_o3(t‑t_d)，CO的浓度记为x_co(t‑t_d)；t_d为时滞因子且t_d＝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y_pm25(t)；①‑2将待训练的支持向量机模型f(X)＝<ω,X>+b的输入参数记为X_in(T)，待训练的支持向量机回归模型的输出记为Y_out(T)，X_in(T)和Y_out(T)构成训练参数对，令X_in(T)＝[x_so2(T),x_so2(T‑1),…,x_so2(T‑d),x_no2(T),x_no2(T‑1),…,x_no2(T‑d),x_pm10(T),x_pm10(T‑1),…,x_pm10(T‑d),x_pm25(T),x_pm25(T‑1),…,x_pm25(T‑d),  (1)x_O3(T),x_O3(T‑1),…,x_O3(T‑d),x_CO(T),x_CO(T‑1),…,x_CO(T‑d),x_N(t‑1),x_Z(t‑1),x_T(t‑1),x_P(t‑1),x_w(t‑1)]Y_out(T)＝x_pm25(T+1)  (2)X_in(t‑1)＝[x_so2(t‑1),x_so2(t‑2),…,x_so2(t‑1‑d),x_no2(t‑1),x_no2(t‑2),…,x_no2(t‑1‑d),x_pm10(t‑1),x_pm10(t‑2),…,x_pm10(t‑1‑d),x_pm25(t‑1),x_pm25(t‑2),…,x_pm25(t‑1‑d),  (3)x_O3(t‑1),x_O3(t‑2),…,x_O3(t‑1‑d),x_CO(t‑1),x_CO(t‑2),…,x_CO(t‑1‑d),x_N(t‑1),x_Z(t‑1),x_T(t‑1),x_P(t‑1),x_w(t‑1)]其中T＝t‑2，t‑3，t‑4，…t‑501，[ ]为矩阵符号，X_in(T)为1×(6×d+5)的矩阵，符号×为乘运算符号；①‑3获取t时刻之前区域空气中SO2浓度、NO2浓度、PM10浓度、PM2.5浓度、O3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{X_in(t‑2)，Y_out(t‑2)}，{X_in(t‑3)，Y_out(t‑3)}，…，{X_in(t‑501)，Y_out(t‑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)＝<ω,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；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W_i(0)，当前速度记为V_i(0)，i＝1,2,…,N，其中W_i(0)和V_i(0)均为1×m的矩阵，W_i(0)＝[w_1i(0),w_2i(0),…,w_mi(0)],i＝1,2,…,N，w_1i(0),w_2i(0),…,w_mi(0)∈[0,1]，V_i(0)＝[v_1i(0),v_2i(0),…,v_mi(0)],i＝1,2,…,N，v_1i(0),v_2i(0),…,v_mi(0)∈[0,1]，m＝6×d+5；将第i个粒子的在第k次迭代后的当前位置记为W_i(k)，W_i(k)＝[w_1i(k),w_2i(k),…,w_mi(k)]，第k次迭代后的当前速度记为V_i(k)，V_i(k)＝[v_1i(k),v_2i(k),…,v_mi(k)]，k＝1，2，…，k_max；k_max为粒子群的总迭代次数；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X_in(t‑1)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$X_{in}^0(t-1,i)=[x_{so2}(t-1)\times w_{1i}\left(0\right),x_{so2}(t-2)\times w_{2i}\left(0\right),...,x_{so2}(t-d)\times w_{di}\left(0\right),$x_no2(t‑1)×w_(d+1)i(0),x_no2(t‑2)×w_(d+2)i(0),…,x_no2(t‑d)×w_(2d)i(0),x_pm10(t‑1)×w_(2d+1)i(0),x_pm10(t‑2)×w_(2d+2)i(0),…,x_pm10(t‑d)×w_(3d)i(0),x_pm25(t‑1)×w_(3d+1)i(0),x_pm25(t‑2)×w_(3d+2)i(0),…,x_pm25(t‑d)×w_(4d)i(0),x_O3(t‑1)×w_(4d+1)i(0),x_O3(t‑2)×w_(4d+2)i(0),…,x_O3(t‑d)×w_(5d)i(0),x_CO(t‑1)×w_(5d+1)i(0),x_CO(t‑2)×w_(5d+2)i(0),…,x_CO(t‑d)×w_(6d)i(0),x_N(t‑1)w_(6d+1)i(0),x_Z(t‑1)w_(6d+2)i(0),x_T(t‑1)w_(6d+3)i(0),x_P(t‑1)w_(6d+4)i(0),x_w(t‑1)w_(6d+5)i(0)]⑤将粒子群中第i个粒子的个体极值的初始值记为F_i(0)＝|x_pm25(t‑1)‑y_outi(t,0)|，其中| |为取绝对值符号，y_outi(t,0)为作为输入参数输入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$G_{i-\min }^0=min\{F_i\left(0\right),i=1,2,...N\};$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$X_{in}^k(t-1,i)=[x_{so2}(t-1)\times w_{1i}\left(k\right),x_{so2}(t-2)\times w_{2i}\left(k\right),...,x_{so2}(t-d)\times w_{di}\left(k\right),$x_no2(t‑1)×w_(d+1)i(k),x_no2(t‑2)×w_(d+2)i(k),…,x_no2(t‑d)×w_(2d)i(k),x_pm10(t‑1)×w_(2d+1)i(k),x_pm10(t‑2)×w_(2d+2)i(k),…,x_pm10(t‑d)×w_(3d)i(k),x_pm25(t‑1)×w_(3d+1)i(k),x_pm25(t‑2)×w_(3d+2)i(k),…,x_pm25(t‑d)×w_(4d)i(k),x_O3(t‑1)×w_(4d+1)i(k),x_O3(t‑2)×w_(4d+2)i(k),…,x_O3(t‑d)×w_(5d)i(k),x_CO(t‑1)×w_(5d+1)i(k),x_CO(t‑2)×w_(5d+2)i(k),…,x_CO(t‑d)×w_(6d)i(k),x_N(t‑1)w_(6d+1)i(k),x_Z(t‑1)w_(6d+2)i(k),x_T(t‑1)w_(6d+3)i(k),x_P(t‑1)w_(6d+4)i(k),x_w(t‑1)w_(6d+5)i(k)]将作为输入参数输入PM2.5浓度预测模型中，得到PM2.5浓度预测模型的输出，记为将代入公式F_i(k)＝|x_pm25(t‑1)‑y_outi(t,k)|中，计算得到第k次更新后第i个粒子对应的适应度值F_i(k)；| |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W_i(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$G_{i-\min }^k=min\{F_i\left(0\right),i=1,2,...N;j=0,1,2,...,k\},$min表示取最小值；该全局极值对应的粒子的位置记为W_h(g)，h为大于等于1且小于等于N的整数，g为大于等于0且小于等于k的整数；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_max，结束更新迭代，得到最终的粒子群的全局极值；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PM2.5浓度预测模型中，此时PM2.5浓度预测模型的输出即为预测到的PM2.5浓度。