申请/专利权人：四川大学

申请日：2024-03-22

公开（公告）日：2024-06-11

公开（公告）号：CN117932347B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/24;G06F18/23213;G06F18/213;G06N3/0442;G06N3/0464;G06N3/0475;G06N3/045;G06N3/094;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于对抗性迁移学习的PM2.5预测方法及系统，属于时序预测技术领域，包括：基于对抗性迁移学习，构建包括k‑means聚类算法、一维卷积神经网络、域分类器以及LSTM长短期记忆神经网络的复合神经网络模型，并利用已训练的复合神经网络模型对小样本时序数据进行预测，得到PM2.5预测结果。本发明通过对抗性迁移学习，源域的时序数据对复合神经网络模型进行训练，能够用于预测目标域的时序数据，在源域和目标域上均表现出优越的性能，本发明能够在只有少量目标领域小样本时序数据的情况下进行时序数据的预测，解决传统时序预测模型泛化能力差、不同域的数据分布差异过大导致利用率低，且预测不准确的问题。

主权项：1.一种基于对抗性迁移学习的PM2.5预测方法，其特征在于，包括以下步骤：S1：基于对抗性迁移学习，构建并训练复合神经网络模型，得到已训练的复合神经网络模型；S2：获取需要进行预测的空气质量小样本时序数据，并利用已训练的复合神经网络模型进行时间片上的特征提取，得到时序数据的特征表示；S3：根据时序数据的特征表示，利用已训练的复合神经网络模型进行回归预测，得到空气质量预测结果；所述构建并训练复合神经网络模型的具体步骤如下：A1：获取现有的不同地区站点在小样本特征空间中的空气质量时序数据，并划分为训练集和测试集；所述特征空间包含12种属性，分别为时间、PM10指数、O3指数、CO指数、SO2指数、NO2指数、天气、温度、湿度、大气压强、风力、风向；A2：利用k-means聚类算法在不同粒度上将训练集的时序数据划分为源域和目标域，得到源域长时序数据和目标域时序数据；A3：根据源域长时序数据，利用多层的一维卷积神经网络进行时间片上的特征提取，得到源域长时序数据的特征表示以及特征属性的内部关联；A4：根据源域长时序数据的特征表示以及特征属性的内部关联，利用域分类，通过对抗性迁移学习将源域的特征表示迁移至目标域，辅助目标域时序数据进行特征表示学习，得到目标域的特征表示；A5：根据目标域的特征表示和目标域时序数据，利用LSTM长短期记忆神经网络进行回归预测，得到小样本时序预测结果；A6：根据测试集和小样本时序预测结果，计算得到复合神经网络模型的最终损失函数，并判断最终损失函数是否达到最小，若是，完成训练，得到已训练的复合神经网络模型，否则，返回A3；所述A3的具体步骤如下：A301：根据源域长时序数据，利用多层的一维卷积层进行时间片上的特征提取，得到源域长时序数据的原始特征表示；A302：根据源域长时序数据的原始局部特征，进行扁平化处理，得到源域长时序数据的特征表示以及特征属性的内部关联；所述A4的具体步骤如下：A401：根据源域长时序数据的局部特征以及特征属性的内部关联，利用梯度反转层进行处理，得到正向的源域长时序数据的局部特征；A402：利用若干层全连接层与Softmax函数，通过对抗性迁移学习将正向的源域长时序数据的局部特征迁移至目标域，辅助目标域时序数据进行特征表示学习，得到目标域的特征表示；所述A5的具体步骤如下：A501：根据目标域的特征表示和目标域时序数据，利用正向LSTM长短期记忆神经网络进行回归预测，得到小样本时序正向预测结果；A502：根据目标域的特征表示和目标域时序数据，利用反向LSTM长短期记忆神经网络进行回归预测，得到小样本时序反向预测结果；A503：根据正向预测结果和反向预测结果，进行相加，得到小样本时序预测结果；所述最终损失函数的表达式如下： 其中，为最终损失函数，为全局最优点，为特征提取的权重，为回归预测的权重，为域分类的权重，为回归预测的损失函数，为特征提取，为回归预测，为域分类，为域的总数，为第1个源域，为第个源域，为目标域，为域分类的损失函数，为梯度反转函数，为测试集中小样本时序数据的特征值，为测试集中小样本时序数据集中的一条数据，为样本时序预测结果的数量，为测试集中小样本时序数据的第个实际值，为小样本时序预测结果中的第个结果，为测试集中小样本数据的第个域的实际标签值，为小样本时序预测结果中第个域的标签值。

全文数据：

权利要求：

百度查询： 四川大学 基于对抗性迁移学习的PM2.5预测方法及系统

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD