本發(fā)明涉及空氣質(zhì)量預(yù)測
技術(shù)領(lǐng)域：
，具體涉及一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)(簡稱UKFNN)的PM2.5濃度預(yù)測方法。
背景技術(shù)：
：PM2.5即細(xì)顆粒物，是指環(huán)境空氣中空氣動力學(xué)當(dāng)量直徑小于等于2.5微米的顆粒物，又稱可吸入肺顆粒物。它能較長時間懸浮于空氣中，其在空氣中的濃度越高，就代表空氣污染越嚴(yán)重。與直徑較大的大氣顆粒物相比，PM2.5的粒徑小，表面積大，活性強(qiáng)，易附帶有毒、有害物質(zhì)，并且在大氣中停留時間較長，運(yùn)送距離遠(yuǎn)，對人體健康和大氣環(huán)境的影響更大。它能引發(fā)人們支氣管、心血管、呼吸道等方面的疾病，損害血紅蛋白輸送氧氣的能力，甚至可以使人體產(chǎn)生病變，誘發(fā)癌癥。同時，由于大氣中的顆粒物對光的散射和吸收，能顯著減弱光信號，大幅降低有效視距，從而使空氣中的能見度降低，產(chǎn)生霧霾天氣，對人們的日常生活帶來不便和危害。因此，對PM2.5的監(jiān)測及對其濃度變化的研究就顯得尤為重要了。技術(shù)實現(xiàn)要素：本申請通過提供一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測方法，以解決現(xiàn)有技術(shù)中對PM2.5濃度預(yù)測不準(zhǔn)確，誤差較大的技術(shù)問題。為解決上述技術(shù)問題，本申請采用以下技術(shù)方案予以實現(xiàn)：一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測方法，包括如下步驟：S1：獲取PM2.5濃度的歷史數(shù)據(jù)；S2：利用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)進(jìn)行遞推運(yùn)算，并通過不斷地進(jìn)行在線預(yù)測，循環(huán)修正神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，實現(xiàn)對PM2.5濃度混沌時間序列的預(yù)測，以建立PM2.5濃度預(yù)測的動態(tài)演化模型：設(shè)有一個N層前向神經(jīng)網(wǎng)絡(luò)，每層神經(jīng)元數(shù)為Sk(k＝1,2,…,N)，輸入層為第一層，輸出層為第N層，第k層神經(jīng)元的連接權(quán)值為(i＝1,2,…,Sk-1，j＝1,2,…,Sk)，將神經(jīng)網(wǎng)絡(luò)的權(quán)值w、閾值b作為無跡卡爾曼濾波的狀態(tài)變量，將神經(jīng)網(wǎng)絡(luò)的輸出作為無跡卡爾曼濾波的測量變量，將神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值和閾值組成狀態(tài)向量：X=[w111...ws1s21w112...ws1s22b111w11N-1...ws1s2N-1b11....bs11b12....bs22b1N-1....bsn-1N-1]T,]]>則系統(tǒng)的狀態(tài)方程和觀測方程可表示為：Xk=Xk-1Yek=h(Wk,Xk)+Vk=FN(WkN,FN-1(WkN-1...F2(Wk2,Xk)))+Vk]]>式中，h(·)為非線性變換，F(xiàn)N為神經(jīng)網(wǎng)絡(luò)第N層傳遞函數(shù)，Yek為期望輸出，Xk為輸入矢量，Vk為觀測噪聲，它是隨機(jī)白噪聲，在無跡卡爾曼神經(jīng)網(wǎng)絡(luò)中設(shè)為0；時間更新為：k-1時刻到k時刻的預(yù)測狀態(tài)變量Xk/k-1＝AXkAT，k-1時刻到k時刻的預(yù)測誤差協(xié)方差矩陣Pk/k-1＝APkAT，式中，A＝[1]，Pk為k時刻的協(xié)方差矩陣；測量更新為：計算卡爾曼濾波增益式中，Kk為k時刻的濾波增益矩陣，Pk/k-1為從k-1時刻到k時刻的預(yù)測誤差均方差矩陣，Hk為k時刻的觀測矩陣，Rk為k時刻的量測噪聲序列的方差陣，Rk＝[0.01]；利用測量值更新狀態(tài)變量Xk＝Xk/k-1+Kk(y(k)T-Hk)，式中，y(k)T為期望輸出，Hk為網(wǎng)絡(luò)訓(xùn)練輸出；更新誤差協(xié)方差矩陣Pk＝(I-KkHk)Pk/k-1，式中，單位矩陣I＝diag(1)；S3：利用PM2.5濃度值的動態(tài)演化模型對PM2.5的濃度進(jìn)行預(yù)測。為了將預(yù)測的PM2.5濃度值更清楚形象的顯示出來，作為一種優(yōu)選的技術(shù)方案，本發(fā)明還包括步驟S4：通過表格和/或圖視化預(yù)警圖對步驟S3中預(yù)測的PM2.5濃度進(jìn)行顯示。與現(xiàn)有技術(shù)相比，本申請?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點是：本發(fā)明對PM2.5顆粒的濃度進(jìn)行預(yù)測，使人們提前了解PM2.5顆粒的分布，對人們的出行及生活帶來一些便利，同時，本發(fā)明在空氣污染的防治與治理，以及人們疾病的預(yù)防上都有極其重要的意義。附圖說明圖1為基于UKFNN的PM2.5濃度預(yù)測動態(tài)演化模型真實值與訓(xùn)練值對比曲線圖；圖2為基于UKFNN的PM2.5濃度預(yù)測動態(tài)演化模型預(yù)測的誤差曲線圖；圖3為基于UKFNN的PM2.5濃度預(yù)測動態(tài)演化模型預(yù)測的誤差百分比曲線圖；圖4為UKFNN模型與BPNN模型下真實值與訓(xùn)練值的對比曲線圖；圖5為UKFNN模型與BPNN模型下訓(xùn)練誤差對比曲線圖；圖6為PM2.5濃度預(yù)警圖。具體實施方式本申請實施例通過提供一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測方法，以解決現(xiàn)有技術(shù)中對PM2.5濃度預(yù)測不準(zhǔn)確，誤差較大的技術(shù)問題。為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實施方式，對上述技術(shù)方案進(jìn)行詳細(xì)的說明。實施例一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測方法，包括如下步驟：S1：獲取PM2.5濃度的歷史數(shù)據(jù)；S2：利用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)進(jìn)行遞推運(yùn)算，并通過不斷地進(jìn)行在線預(yù)測，循環(huán)修正神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，實現(xiàn)對PM2.5濃度混沌時間序列的預(yù)測，以建立PM2.5濃度預(yù)測的動態(tài)演化模型：設(shè)有一個N層前向神經(jīng)網(wǎng)絡(luò)，每層神經(jīng)元數(shù)為Sk(k＝1,2,…,N)，輸入層為第一層，輸出層為第N層，第k層神經(jīng)元的連接權(quán)值為(i＝1,2,…,Sk-1，j＝1,2,…,Sk)，將神經(jīng)網(wǎng)絡(luò)的權(quán)值w、閾值b作為無跡卡爾曼濾波的狀態(tài)變量，將神經(jīng)網(wǎng)絡(luò)的輸出作為無跡卡爾曼濾波的測量變量，將神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值和閾值組成狀態(tài)向量：X=[w111...ws1s21w112...ws1s22b111w11N-1...ws1s2N-1b11....bs11b12....bs22b1N-1....bsn-1N-1]T,]]>則系統(tǒng)的狀態(tài)方程和觀測方程可表示為：Xk=Xk-1Yek=h(Wk,Xk)+Vk=FN(WkN,FN-1(WkN-1...F2(Wk2,Xk)))+Vk]]>式中，h(·)為非線性變換，F(xiàn)N為神經(jīng)網(wǎng)絡(luò)第N層傳遞函數(shù)，Yek為期望輸出，Xk為輸入矢量，Vk為觀測噪聲，它是隨機(jī)白噪聲，在無跡卡爾曼神經(jīng)網(wǎng)絡(luò)中設(shè)為0；時間更新為：k-1時刻到k時刻的預(yù)測狀態(tài)變量Xk/k-1＝AXkAT，k-1時刻到k時刻的預(yù)測誤差協(xié)方差矩陣Pk/k-1＝APkAT，式中，A＝[1]，Pk為k時刻的協(xié)方差矩陣；測量更新為：計算卡爾曼濾波增益式中，Kk為k時刻的濾波增益矩陣，Pk/k-1為從k-1時刻到k時刻的預(yù)測誤差均方差矩陣，Hk為k時刻的觀測矩陣，Rk為k時刻的量測噪聲序列的方差陣，Rk＝[0.01]；利用測量值更新狀態(tài)變量Xk＝Xk/k-1+Kk(y(k)T-Hk)，式中，y(k)T為期望輸出，Hk為網(wǎng)絡(luò)訓(xùn)練輸出；更新誤差協(xié)方差矩陣Pk＝(I-KkHk)Pk/k-1，式中，單位矩陣I＝diag(1)；S3：利用PM2.5濃度值的動態(tài)演化模型對PM2.5的濃度進(jìn)行預(yù)測。為了將預(yù)測的PM2.5濃度值更清楚形象的顯示出來，作為一種優(yōu)選的技術(shù)方案，本發(fā)明還包括步驟S4：通過表格和/或圖視化預(yù)警圖對步驟S3中預(yù)測的PM2.5濃度進(jìn)行顯示。在本實施例中建立了2013年1月14日至2013年3月11日西安市13個地區(qū)的PM2.5濃度值的訓(xùn)練模型，現(xiàn)以草灘區(qū)為例，對學(xué)習(xí)訓(xùn)練過程及仿真結(jié)果進(jìn)行描述。1)基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測將神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值作為UKF的狀態(tài)變量，神經(jīng)網(wǎng)絡(luò)的輸出作為UKF的測量變量。將神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值組成狀態(tài)向量：X=[w1s11...w1s1s2b11s1w2s11b211]T,(s1=6,s2=1)---(1)]]>其中，w1=-1.6810-0.28340.48751.6035-0.30821.53072.1457-0.88140.2406-2.3426-0.7667-1.12432.8476-0.30480.59180.8294-0.6096-0.2993,w2=-0.96560.83640.2417-0.33900.44090.1224]]>b1＝[-1.1071-0.3188-0.7754-1.66471.1671-1.8766]T,b2＝[-0.6239]則系統(tǒng)的狀態(tài)方程和觀測方程可表示為：Xk=Xk-1Yek=h(Wk,Xk)+Vk=FN(WkN,FN-1(WkN-1...F2(Wk2,Xk)))+Vk---(2)]]>式中，F(xiàn)N為神經(jīng)網(wǎng)絡(luò)第N層傳遞函數(shù)，Yek為期望輸出，Xk為輸入矢量，Vk為觀測噪聲，它是隨機(jī)白噪聲，在無跡卡爾曼神經(jīng)網(wǎng)絡(luò)中設(shè)為0；則Kalman算法的運(yùn)行過程如下：時間更新為：k-1時刻到k時刻的預(yù)測狀態(tài)變量Xk/k-1＝AXkAT，k-1時刻到k時刻的預(yù)測誤差協(xié)方差矩陣Pk/k-1＝APkAT，式中，A＝[1]，Pk為k時刻的協(xié)方差矩陣；X＝[-1.68101.60352.1457-2.34262.84760.8294-0.2834-0.3082-0.8814-0.7667-0.3048-0.60960.48751.53070.2406-1.12430.5918-0.2993-1.1071-0.3188-0.7754-1.66471.1671-1.8766-0.96560.83640.2417-0.33900.44090.1224-0.6239]T；測量更新為：計算卡爾曼濾波增益式中，Kk為k時刻的濾波增益矩陣，Pk/k-1為從k-1時刻到k時刻的預(yù)測誤差均方差矩陣，Hk為k時刻的觀測矩陣，Rk為k時刻的量測噪聲序列的方差陣，Rk＝[0.01]；K＝[-0.14240.11840.2102-0.16270.51290.1188-0.61200.50761.0498-0.82391.27700.4568-0.10380.11770.1747-0.18640.37390.0877-0.15040.11650.3069-0.55050.56670.37610.10980.02740.03470.19380.02290.07660.2119]T利用測量值更新狀態(tài)變量Xk＝Xk/k-1+Kk(y(k)T-Hk)，式中，y(k)T為期望輸出，y(k)T＝[0.038]，Hk為網(wǎng)絡(luò)訓(xùn)練輸出，Hk＝[0.2419]；更新誤差協(xié)方差矩陣Pk＝(I-KkHk)Pk/k-1，式中，單位矩陣I＝diag(1)H＝[-0.03200.04440.0121-0.00440.01150.0028-0.04890.06780.0185-0.00670.01750.0044-0.03340.04630.0127-0.00460.01200.0030-0.14820.2053。0.0561-0.02040.05310.01320.18940.56740.36630.06430.86000.12280.10]程序運(yùn)行后獲得PM2.5濃度預(yù)測的動態(tài)演化模型的輸出結(jié)果，得到草灘區(qū)實際值與訓(xùn)練值的對比曲線圖如圖1所示，圖2為誤差曲線圖，圖3為誤差百分比曲線圖。2)基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測與基于BP神經(jīng)網(wǎng)絡(luò)(BPNN)的PM2.5濃度預(yù)測對比為了更清楚的對比分別采用UKFNN和BPNN對草灘區(qū)PM2.5濃度的訓(xùn)練結(jié)果，圖4為基于UKFNN和BPNN的PM2.5濃度動態(tài)演化模型真實值與訓(xùn)練值的對比曲線圖，圖5為基于UKFNN和BPNN的PM2.5濃度動態(tài)演化模型的誤差對比曲線圖。由圖4和圖5可知，與BPNN相比，UKFNN的訓(xùn)練值更加逼近真實值，所產(chǎn)生的誤差更小。為了更方便的比較兩種模型訓(xùn)練的效果，在草灘區(qū)PM2.5濃度的訓(xùn)練的輸出值中選取一部分?jǐn)?shù)據(jù)與真實值比較，并且列出數(shù)據(jù)表，如表1所示。表1草灘區(qū)兩種模型的訓(xùn)練輸出值和真實值對照表為了使人們更直接、更清楚地了解未來幾天內(nèi)的PM2.5濃度，以便我們在生活和生產(chǎn)中作出相應(yīng)的預(yù)防措施，本實施例利用基于UKFNN對西安市13個地區(qū)未來七天的PM2.5濃度進(jìn)行預(yù)測，得到了相應(yīng)的預(yù)測值如表2所示，并對預(yù)測后的濃度進(jìn)行了圖視化預(yù)警。圖視化預(yù)警的主要作用是在獲得PM2.5的濃度預(yù)測值以后，將獲得的數(shù)據(jù)在相應(yīng)的區(qū)域圖上進(jìn)行顯示，以達(dá)到更簡單便捷的對各地區(qū)居民進(jìn)行預(yù)報和提醒的作用。圖6所示為2013年4月24日西安市13個地區(qū)PM2.5濃度預(yù)警圖，表3所示為13個地區(qū)的環(huán)境質(zhì)量等級表。由圖6和表3可以看出：2013-4-24，高新區(qū)、市體育局、閻良區(qū)和臨潼區(qū)環(huán)境質(zhì)量等級為良；興慶小區(qū)、長安區(qū)、曲江文化集團(tuán)、紡織城和經(jīng)開區(qū)屬于輕度污染；小寨和廣運(yùn)潭屬于中度污染；高壓開關(guān)廠和草灘屬于重度污染。表213個地區(qū)七天的PM2.5濃度(μg/m3)預(yù)測值表32013-4-2413個地區(qū)PM2.5環(huán)境質(zhì)量等級表本申請的上述實施例中，通過提供一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測方法，包括如下步驟：獲取PM2.5濃度的歷史數(shù)據(jù)，基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)進(jìn)行遞推計算，利用MATLAB仿真軟件編程，不斷進(jìn)行在線預(yù)測，不斷修正權(quán)值和閾值，建立PM2.5濃度預(yù)測的動態(tài)演化模型，在得到動態(tài)演化模型和預(yù)測數(shù)據(jù)的基礎(chǔ)上，建立圖視化預(yù)警，以達(dá)到在數(shù)據(jù)預(yù)測后的預(yù)警作用。相較于基于BP神經(jīng)網(wǎng)絡(luò)建模而言，基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)建模在預(yù)測結(jié)果上更加的精準(zhǔn)，誤差更小。應(yīng)當(dāng)指出的是，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本
技術(shù)領(lǐng)域：
的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應(yīng)屬于本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3