买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京工业大学申请的专利一种基于NGBoost算法的PM_2.5浓度长时间序列预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114611399B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210268175.5，技术领域涉及：G06F30/27；该发明授权一种基于NGBoost算法的PM_2.5浓度长时间序列预测方法是由刘希亮;高雨瑶;赵俊杰;张羽民;李建强;林绍福设计研发完成，并于2022-03-17向国家知识产权局提交的专利申请。

本一种基于NGBoost算法的PM_2.5浓度长时间序列预测方法在说明书摘要公布了：本发明公开了一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，该方法综合气象和其他污染物影响因素，提出了基于自然梯度提升的PM2.5浓度预测模型，以提升长时间序列PM2.5浓度预测的精度。使用IsolationForest算法对采集到的目标站点空气污染物及气象数据进行了异常值判定、通过斯皮尔曼相关系数进行特征选择等预处理作为总数据集；提出数据时序离散化方法，使用所有天中同一小时的数据构成模型输入。然后进行了数据规范化、数据集划分比例、阈值等参数调优实验进行模型优化。最后将离散化后的多维数据集采用NGBoost算法，得出对目标站点未来一天PM2.5浓度的小时级精确化预测值。本发明为PM2.5浓度长时间序列预测提供了一个开放的研究框架。

本发明授权一种基于NGBoost算法的PM_2.5浓度长时间序列预测方法在权利要求书中公布了：1.一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，其特征在于，该方法的实施步骤如下：1获取某地区目标空气监测站点的空气污染物和气象数据，并对数据进行存储和预处理；2对步骤1获得的数据进行时序离散化，提取不同天数中同一小时的特征数据构成特征矩阵；3对数据进行规范化、调整模型数据集划分比例、阈值参数，进行多组对比实验，完成参数调优；4使用NGBoost算法对离散化后的二维特征矩阵进行训练和验证；5输出目标站点未来一天的小时级PM2.5浓度预测结果；所述步骤1中，进行数据预处理包括：1利用IsolationForest算法剔除总数据集中的异常值；首先将空气污染物浓度小于0的数据转换为空值，采用IsolationForest算法，将样本随机切分成若干个树；通过随机采样数据对每棵树进行训练，进而保证每棵树的方差达到运行者要求；最后利用如下公式计算Z中所有样本点的异常值评分矩阵SC，其中SC＝{sc00,sc01,sc02…scxy}，x＝12,y＝α； 其中E[hzij]为zij在多棵树中路径长度的期望值；cn是包含n个样本数据集的树平均路径长度，用来标准化记录zij的路径长度；H*为调和数，ξ为欧拉常数；随后返回数据集中的异常点，设异常点评分的阈值为ρ，当任意数据点的异常值评分大于阈值，即时，将数据集中的该异常点zij设为空值；得到新的总数据集Z'；2计算PM10浓度、NO2浓度、CO浓度、O3浓度、SO2浓度、温度、气压、相对湿度、风向、风速特征序列与PM2.5浓度序列的斯皮尔曼相关性系数，选择与PM2.5相关性强的因素作为输入模型的特征；首先利用如下公式计算任意两个特征fi、fj之间的相关性rij： 其中n表示样本的数量和，α为从0开始的索引最后一行的行数，dk表示两个特征数据集合中数据次序的差值，Z'i和Z'j为分别为数据集Z'中第i个特征和第j个特征对应的数值列；随后设检查PM2.5浓度和其他特征的相关性系数最小阈值为η，其他特征的相关性以及其他特征之间的相关性系数最大阈值为θ；当或时，则删除第j个特征对应的数值列Zj，不作为后续模型的输入数据，其他数据列保持不变；依照以上操作最终得到模型的输入数据集Zinput；3由筛选得到的特征序列构建目标站点的三维数据矩阵；所述步骤2中，进行数据离散化包括：首先分离训练集和测试集数据；从预处理后的输入数据集Zinput中选取目标监测站点第1天至第d天的所有数据作为训练集，第d+1天至第N天的所有数据作为测试集，其中随后时序离散化训练集数据；首先将训练集中数据，按照时间顺序排列；按照时刻分组，取出训练集中不同天数同一时刻的特征数据并将利用其组成24个二维数据矩阵；设第i小时的数据mi∈MT×F，其中T代表了训练集包含的天数且T≤d，L代表了预处理后剩余的特征数量；由此得到三维数据矩阵MH×T×F，其中H＝24代表了一天中的24小时；随后取出PM2.5浓度对应的数据设为YH×T作为模型的标签，设第i天第j小时的标签数据yij∈YH×T；随后将剩余的数据矩阵M'H×T×F-1设为即将入模的三维特征矩阵；所述步骤3中，进行参数调优包括：1数据规范化；为了消除不同特征变量见量纲的相互影响，对数据进行规范化处理；设映射区间为[a,1]，m'ijk∈MH×T×F，利用如下公式进行数据最大-最小规范化： 设置a分别等于-1、0进行实验，通过比对实验结果得到能使模型表现最佳的映射区间；2数据集划分比例选择；设定训练集和测试集的比例为6:4、7:3、8:2、9:1进行对比实验，通过实验结果选出最优的划分比例；3阈值大小选择；选择不同的阈值来降低模型预测的不准确性，设阈值范围为[0.75,0.9]，以0.01的步长遍历搜索，通过实验结果找到能使模型表现最优的阈值；4以上1—3的对比实验中，每一次调整模型参数时，均在数据集中进行十次随机采样；利用采样后的十组数据，在相同模型参数的条件下训练模型；十次训练得到的预测性能值取平均作为该模型参数的最终预测性能。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。