一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115795311A(43)申请公布日2023.03.14(21)申请号202211607352.4(22)申请日2022.12.14(71)申请人信阳农林学院地址464000河南省信阳市平桥区北环路1号(72)发明人张莉胡平蔡希文刘金兰吴鹏丁世宁郝晨朱星星(74)专利代理机构上海思真远达专利代理事务所(特殊普通合伙)31481专利代理师李梅(51)Int.Cl.G06F18/214(2023.01)G06N3/08(2023.01)G06Q10/04(2023.01)G06N3/0442(2023.01)权利要求书2页说明书9页附图2页(54)发明名称一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法(57)摘要本发明公开了一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，涉及PM2.5浓度预测领域，解决了现有的PM2.5的预测方法的预测性能受限较大，精度低的问题，现提出如下方案，其用CEEMDAN数据分解方法降低PM2.5原始数据序列的复杂性，赋予分量模态不同的相关性权重系数，更好地提取相关特征，采用AMPSO算法优化LSTM网络超参数，减少人为因素影响，提高模型预测性能。具有更高的预测精度，并且对于不用地区的PM2.5浓度数据具有一定的普遍适用性。CN115795311ACN115795311A权利要求书1/2页1.一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，其特征在于，包括以下步骤：S1：收集PM2.5浓度数据，在进行建模之前对离群值和异常值的数据进行处理，且为了避免维数和尺寸对建模的影响，对数据进行归一化处；S2：将数据集分为训练集和测试集，对PM2.5数据x(t)，(t＝1,…,T)进行分解，得到n个有限平稳模态分量IMFs和一个残差；S3：(1)计算各模态分量IMFs与输出变量的互信息相关系数，k其公式为：其中IMFk是第个模态分量，当模态分量与输出变量具有明显或较高的相关性时，MI相关系数应较大，(2)由(1)可知相关性高的模态分量应乘以较大的权系数，第k个模态分量的权重应与MI相关系数成正比关系，公式为:式中，Ii为模态分量与输出变量的MI相关系数，K为模态分量个数,进而得到各模态分量IMFs的权重系数，(3)最后，将权重系数重赋予各模态分量，加权后的各模态分量可作为LSTM网络的输入；S4：(1)选取调优的三个主要超参数的范围，利用PSO算法优化LSTM网络的超参数，在PSO算法过程中，在算法中设计自适应调整w策略，其更新公式为：式中：wmax、wmin分别为惯性权重的最大值和最小值，一般取wmax＝0.9、wmin＝0.4；f为粒子实时目标函数值；fmin、favg为当前所有粒子的最小目标值和平均目标值；(2)采用粒子位置变异的策略，粒子位置更新公式为：(3)判断是否满足变异条件，对粒子的位置与速度进行更新；S5：满足PSO算法最大迭代次数后，得到具有最优超参数的LSTM训练模型，将测试数据送入训练好的LSTM模型，输出PM2.5预测值。2.根据权利要求1所述的一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，其特征在于，所述S2中利用CEEMDAN算法对PM2.5数据x(t)，(t＝1,…,T)进行分解。3.根据权利要求1所述的一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，其特征在于，所述S2的(2)中将加权后的各模态分量作为LSTM网络的输入后，下一时刻PM2.5浓度数据为输出，通过Adam算法对LSTM网络进行训练。4.根据权利要求1所述的一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，其特征在于，所述S4的(1)中迭代过程中对惯性权重进行调整，从而加快算法收敛速度，提高算法的局部搜索能力；同时引入变异机制，拓展了在迭代过程中不断缩小的种群搜索空间，提高了算法寻找全局最优值的可能性。2CN115795311A权利要求书2/2页5.根据权利要求4所述的一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法，其特征在于，所述S4的(1)中在粒子群寻优过程中，惯性权重w增大可使得算法跳出局部最优解，从而提高算法的全局搜索能力，减小w的值可提高算法的局部搜索能力，便于算法收敛。3CN115795311A说明书1/9页一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法技术领域[0001]本发明涉及PM2.5浓度预测领域，尤其涉及一种基于WCEEMDAN和ILSTM的PM2.5浓度预测方法。背景技术[0002]大气污染预测作为大气污染防治的核心，对人类的生存和发展具有十分重要的意义。PM2.5是指空气中空气动力学当量直径小于或等于2.5μm的粉尘颗粒物