龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：湘江实验室
申请日：2024-05-14
公开（公告）日：2024-06-11
公开（公告）号：CN118171241A
主分类号：G06F18/27
分类号：G06F18/27;G06F18/15;G06F18/214;G06F18/21;G06N3/0442;G06N3/0985;G06N3/006;G01N15/06
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.06.28#实质审查的生效;2024.06.11#公开
摘要：本发明涉及颗粒物浓度预测领域，尤其涉及一种基于PSO优化算法的PM颗粒物浓度预测方法，包括：采集目标区域空气质量的原始数据集；完成原始数据集的数据预处理；完成ARIMA模型参数选择和预测；完成特征工程处理；完成BiLSTM模型参数选择和预测；进行PSO优化算法调参；进行混合优化模型集成；进行模型精度的评估验证。本发明通过结合ARIMA模型和BiLSTM模型的优势，并通过优化算法进一步提高了预测的精度和可靠性。
主权项：1.一种基于PSO优化算法的PM颗粒物浓度预测方法，其特征在于，包括：步骤S1，按照时间序列，以等时长间隔点的PM2.5浓度为预测变量，采集目标区域空气质量参数构成原始数据集；步骤S2，完成原始数据集的数据预处理，所述数据预处理包括缺失值处理、异常值检测和异常值去除；步骤S3，完成ARIMA模型参数选择，将预处理后的数据集输入拟合好的ARIMA模型并对输出的预测结果进行赋值和计算残差以生成NumPy数据集；步骤S4，创建MinMaxScaler对象以完成所述NumPy数据集的归一化处理；步骤S5，将归一化处理后的NumPy数据集划分为训练样本数据和测试样本数据，调用dataprepare函数准备训练集和测试集的数据；步骤S6，完成BiLSTM模型参数选择后依次进行模型训练和测试数据预测；步骤S7，调用PSO函数，确定下界、上界、维度、种群大小和迭代次数，传入训练数据，PSO函数返回粒子位置、适应度值和收敛曲线，之后输出适应度最优的解；步骤S8，基于误差修正法对预测数据进行集成，获得组合模型的预测值曲线；步骤S9，获取预设时长内目标区域PM2.5浓度值数据获得实际浓度值曲线，基于预设时长内实际浓度值与所述预测值的最大偏差初步判定混合模型的预测不符合预设标准时，基于偏差面积二次判定混合模型的预测是否符合预设标准，或，修正训练样本数据与测试样本数据的划分占比。
全文数据：
权利要求：
百度查询： 湘江实验室 一种基于PSO优化算法的PM颗粒物浓度预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号