一种大气中PM2.5浓度的预测方法、装置、设备及介质

本发明涉及空气污染物预测，特别涉及一种大气中pm2.5浓度的预测方法、装置、设备及介质。

背景技术：

1、近年来，私家车保有量持续增长，化石能源消耗与日俱增，空气污染问题日益严峻，尤其pm2.5污染问题对人们日常生活造成严重困扰；对此，pm2.5浓度预测成为当下重点研究课题之一；目前，pm2.5浓度预测主要分为三类，一是机器学习方法，二是基于经验模态分解(empirical mode decomposition,emd)的机器学习组合方法，三是基于变分模态分解(variational mode decomposition,vmd)的机器学习组合方法；由于pm2.5时间序列具有明显的不平稳性和非线性，单一机器学习预测方法无法深度挖掘到序列的特征信息，通常该方法的预测精度偏低，可利用性不高，虽然后两类方法分别利用了emd和vmd分解算法提取pm2.5浓度时间序列内的特征，但各有缺陷；emd算法易过度分解，增加预测模型的随机误差；vmd算法需人为调参，往往无法得到最优参数组合，预测效果提升受限。

2、因此，针对pm2.5浓度时间序列内蕴含强烈的周期性和趋势性，现阶段的emd和vmd等方法由于难以挖掘到pm2.5浓度时间序列中的特征信息，因而对于pm2.5浓度的预测精度较低。

技术实现思路

1、本发明实施例提供一种大气中pm2.5浓度的预测方法、装置、设备及介质，可以解决现有技术中，存在的现阶段的emd和vmd等方法由于难以挖掘到pm2.5浓度时间序列中的特征信息，因而对于pm2.5浓度的预测精度较低的问题。

2、本发明实施例提供一种大气中pm2.5浓度的预测方法，包括以下步骤：

3、获取研究区域大气在固定时间段内pm2.5浓度数据的时间序列和与pm2.5浓度变化相似的影响因子；

4、使用周期趋势分解算法对pm2.5浓度数据的时间序列进行分解，得到pm2.5浓度数据的时间序列的周期序列、趋势序列及残差序列；获取同一时间段内影响因子对应浓度数据的时间序列；及根据周期序列、趋势序列及残差序列分别与影响因子对应浓度数据的时间序列之间的非线性关系对门控循环神经网络模型进行训练以确定门控循环神经网络模型内神经元之间的权重和偏置项，及模型参数进行调优，并得到训练后的门控循环神经网络模型；

5、将pm2.5浓度数据的时间序列的周期序列、趋势序列及残差序列输入至训练后的门控循环神经网络模型中，得到pm2.5的周期预测值、趋势预测值及残差预测值；并将pm2.5的周期预测值、趋势预测值及残差预测值在时间域上进行平均，得到研究区域大气中pm2.5浓度的预测值。

6、优选地，所述与pm2.5浓度变化相似的影响因子的获取，包括：

7、获取大气中固定时间段pm2.5、pm10、so2、no2、co和o3的日均质量浓度值，同时获取相同的固定时间段降水量、相对湿度、北向风速和露点温度的日平均值；

8、利用卡方检验算法筛选pm2.5、pm10、so2、no2、co、o3、降水量、相对湿度、北向风速和露点温度的卡方值χ2大于弃真概率p的因子，将这些因子作为与pm2.5浓度变化相似的影响因子。

9、优选地，所述对pm2.5浓度数据的时间序列进行分解，包括：

10、使用加权回归为平滑方式的周期趋势分解算法内的高通滤波器对pm2.5浓度数据的时间序列进行分解得到pm2.5浓度数据的时间序列的周期序列；

11、使用加权回归为平滑方式的周期趋势分解算法内的低通滤波器对pm2.5浓度数据的时间序列进行分解得到pm2.5浓度数据的时间序列的趋势序列；

12、使用加权回归为平滑方式的周期趋势分解算法对pm2.5浓度数据的时间序列进行分解得到pm2.5浓度数据的时间序列的残差序列。

13、优选地，所述得到训练后的门控循环神经网络模型，包括：

14、获取同一时间段内影响因子浓度数据的时间序列，将周期序列、趋势序列及残差序列分别与同一时间段内影响因子浓度数据的时间序列输入至门控循环神经网络模型中，门控循环神经网络模型学习影响因子浓度数据的时间序列与周期序列、趋势序列及残差序列之间的非线性关系，并用以更新门控循环神经网络模型内神经元之间的权重和偏置项；

15、同时，门控循环神经网络模型利用影响因子浓度数据的时间序列、周期序列、趋势序列及残差序列对门控循环神经网络超参数进行优化选择，得到训练后的门控循环神经网络模型。

16、优选地，所述超参数包括：

17、隐藏层数、隐藏单元数及学习率。

18、本发明实施例还提供一种大气中pm2.5浓度的预测装置，包括：

19、气象模块，用于获取研究区域大气在固定时间段内pm2.5浓度数据的时间序列和与pm2.5浓度变化相似的影响因子；

20、模型训练模块，使用周期趋势分解算法对pm2.5浓度数据的时间序列进行分解，得到pm2.5浓度数据的时间序列的周期序列、趋势序列及残差序列；获取同一时间段内影响因子对应浓度数据的时间序列；及根据周期序列、趋势序列及残差序列分别与影响因子对应浓度数据的时间序列之间的非线性关系对门控循环神经网络模型进行训练以确定门控循环神经网络模型内神经元之间的权重和偏置项，及模型参数进行调优，并得到训练后的门控循环神经网络模型；

21、预测模块，将pm2.5浓度数据的时间序列的周期序列、趋势序列及残差序列输入至训练后的门控循环神经网络模型中，得到pm2.5的周期预测值、趋势预测值及残差预测值；并将pm2.5的周期预测值、趋势预测值及残差预测值在时间域上进行平均，得到研究区域大气中pm2.5浓度的预测值。

22、本发明实施例还提供一种电子设备，包括存储器和处理器；

23、所述存储器，用于存储计算机程序；

24、所述处理器，用于执行所述存储器中存储的计算机程序时，实现如上所述的一种大气中pm2.5浓度的预测方法的步骤。

25、本发明实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种大气中pm2.5浓度的预测方法的步骤。

26、本发明实施例提供一种大气中pm2.5浓度的预测方法、装置、设备及介质，与现有技术相比，其有益效果如下：

27、本发明通过周期趋势分解算法分解出pm2.5浓度数据的时间序列的周期序列、趋势序列及残差序列，并将与pm2.5浓度变化相似的影响因子浓度数据的时间序列和周期序列、趋势序列及残差序列分别对门控循环神经网络模型进行训练，使得训练后的门控循环神经网络模型更偏向于pm2.5浓度数据的时间序列内周期性和趋势性的识别，以容易挖掘到pm2.5浓度数据的时间序列中周期性和趋势性的特征信息，从而确定空气中pm2.5的浓度，对pm2.5浓度进行精准的预测。

28、并且，本发明使用卡方检验算法筛选与pm2.5浓度变化相似的影响因子，降低了与pm2.5浓度变化无关因子的影响。

29、而且，本发明使用贝叶斯优化算法实现门控循环神经网络模型的超参数寻优，不需手动进行调参，从而寻优速度比传统网格搜索速度大大提高。