CN115660167B 基于麻雀搜索算法和分解误差校正的短期空气质量预测方法 （南昌工程学院）

基于麻雀搜索算法和分解误差校正的短期本发明提出了一种基于麻雀搜索算法和分步骤：S1，使用CEEMDAN分解算法对数据进行分若干IMF进行预测，对多个深度学习模型的预测2S2_3，最后将各个深度学习模型的预测结2.根据权利要求1所述的一种基于麻雀搜索算法和分解误差校正的短期空气质量预测3.根据权利要求1所述的一种基于麻雀搜索算法和分解误差校正的短期空气质量预测4.根据权利要求1所述的一种基于麻雀搜索算法和分解误差校正的短期空气质量预测3[0002]人类长期暴露在污染的空气中会导致健康受到影响。根据世界卫生组织(WHO)的[0003]目前关于空气质量预测的方法主要集中在对未来空气质45[0040]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得[0043]图3是具体实施例北京的空气质量指数数据和北京的监测站位置示意图，图3(a)[0044]图4是本发明数据预处理的结果和处理时间序列的多步骤深度学习模型示意图，[0045]图5是具体实施例CEEMDAN的分解结果和归一化结果，图5(a)是CEEMDAN的分解结[0051]本发明提出了一种基于麻雀搜索算法和分解误差校正的6[0058]S200-3，使用麻雀搜索算法SSA和训练数据集训练深度学习模型(即神经网络[0063]长短时记忆网络(LongShortTermMemoryNetwork,LSTM)是一种经过改进的循7[0072]双向的长短时记忆模型(Bidirectionallongshort_termmemory,Bi_LSTM)是[0073]门控循环单元(Gaterecurrentunit,GRU)是一种类似于LSTM的循环神经网络只有两个门(用于更新状态的更新门和用于复位状态的[0079]双向门控循环单元(Bidirectionalgaterecurrentunit，Bi_GRU)是一种特殊[0080]所述分解算法优选为带有自适应噪声的完全集合经验模式分解法(Complete需要根据经验设定。因此，Torres等人提出了带有自适应噪声的完全集合经验模式分解8EMD分解得到的第i个成分；是CEEMDAN分解得到的第i个成分；ε是白噪声的振幅。[0084]其中j'()表示加入了j次白噪声得到的新信号；[0085]表示用EMD算法分解加入j次白噪声后的信号I'(C)表示对加入了j[0087]第二步：N个分量'C的总体平均值产生了CEEMDAN分解的一阶分量T),去除分9[0102]所述麻雀搜索算法(SparrowSearchAlgorithm,SSA)是一个受麻雀的蜂群智能、M行的列矩[0109]处于边缘的麻雀即位于所有麻雀外围，身份不定的麻雀在遇到危险时向中间移麻雀和最差麻雀的值。算法结束迭代时麻雀的最佳位置表示需要搜索查询的参数的最佳[0112]所述S200_5包括：使用不同的神经网络对分解后若干IMF行单独预测，并按单个[0126]多模型组合预测中每个模型的权重可以通过平均绝对误差(MAE)的倒数来确定。[0130]第i个模型的平均绝对误差用MAEi表示，公式(27)显示了最终多模型综合预测结[0136]其中，minE(i-y'表示多模型的组合预测结果与真实值均方误差(MSE)的最小空气质量指数(AQI)数据(图3(a)为北京地区的AQI数据；表1列出了AQI数据的统计特征)，昌平镇等监测站的位置)，并由中国环境监测总站(GEMS)在国家城市空气质量实时发布平台(:18007/[0148]空气质量指数(AQI)是对空气质量的定量描述，它可以说明空气的清洁或污染程pp和BPL分别代表污染物项目P的质量浓度的最高限值和最低限值；IAQIH和IAQIL分别代表对条插值的部分结果(2021_01_0100:0表示周期，T＝24表示用连续24小时的AQI值预测未来的AQI值。让训练数据集的第一天为模型的预测效果使用以下几个评估指标进行评定：平均绝对误差(meanabsoluteerror,MAE)、均方根误差(rootmeansquarederror,RMSE)、相关系数(coefficientofdetermination,R2)和平均绝对百分比误差(meanabsolutepercentageerror,MAPE).它[0163]其中，j=(ji,…n[0164]平均绝对误差(MAE)表示预测值和观测值之[0175]图6(a)显示了四个最好的深度学习模型在使用和不使用CEEMDAN分解算法的情况[0177]图7显示了上述模型的预测结果的统计评价指标的演变。结合表2和图7可以得出SSA_Bi_GRU模型取得了最佳预测结果。它的RMSE和MAE最小，R2在所有模型中最大，而其RMSE和MAE分别为4.810319和3.657710，减少了14.356206％和12.123751％。其R2从[0180]图8显示了多模型组合的预测结果。每张图从左到右显示了"bg_g_bl_l"方法、"imf"方法和"ceemdan"方法的结果。图例中的"bg_g_bl_l"表示在没有CEEMDAN分解的情况[0186]式中Y表示多模型的组合预测结果；Yi表示第i个(i＝1,2,...,n)IMF分量的组合i,j表示第i个IMF分量通过模型j(j＝bi_gru,gru,bi_lstm,lstm)预测的结果；计指标为例。使用简单的平均法获得权重，得到组合模型的最终预测结果，其内在指标反演法得到的组合模型的指标RMSE、R2、MAE和MAPE的值分别为5.880983、0.975893、RMSE来说，它改变了_5.999701％度学习模型组合起来，得到的最佳预测的RMSE为4.764355，减少了0.955529R2为的数据。结果表明，CEEMDAN分解算法可以提高预测效果，具体来说，平均RMSE降低[0207](2)设计了一种基于拉格朗日乘数法的多模型组合方法，该方法可以获得各个深[0209]本文提出的一个采用麻雀搜索算法和分解误差修正的多模型简化组合的短期空