(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210948773.7 (22)申请日 2022.08.09 (71)申请人 东华理工大 学 地址 344000 江西省抚州市学府路5 6号 (72)发明人 徐洪珍　宋文琳　韦诗玥　王强　 (74)专利代理 机构 南昌华成联合知识产权代理 事务所(普通 合伙) 36126 专利代理师 张建新 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种基于混合深度学习模型的空气质量预 测方法 (57)摘要 本发明属于空气质量监测技术领域， 具体涉 及一种基于混合深度学习模型的空气质量预测 方法， 其包括以下步骤： (1)构建 空气质量预测数 据集， 并对空气质量数据进行预处理； (2)将预处 理后的空气质量数据集分解为多个相互独立的 固有模态函数IMF子数据集和一个残差子数据 集； (3)对上述固有模态函数IM F子数据集和残 差 子数据集进行特征选择， 选取有利于预测的子数 据集并进行重构， 获得优化后的空气质量数据 集； (4)采用三层双向长短期记忆神经网络BLS TM 与自注意力机制以串 联的方式， 构建一个深层深 度学习BALSTM模型； (5)将优化后的空气质量数 据集输入到构建的模型中进行学习、 预测， 得到 最后的空气质量预测结果。 权利要求书3页 说明书7页 附图2页 CN 115293269 A 2022.11.04 CN 115293269 A 1.一种基于混合深度学习模型的空气质量预测方法， 其特 征在于， 包括以下步骤： S1.构建空气质量预测数据集， 并对空气质量数据进行预处理； 采集需要预测城市的原 始空气质 量数据， 包括PM2.5、 PM10、 SO2、 NO2、 O3、 CO六种大气污染物数据和空气质 量指数 AQI； 分别创建上述六种大气 污染物数据和AQI组成的7个空气参数数组， 作为空气质量预测 的初始数据集； 对空气质量初始数据集进行缺失值处 理、 季节性处 理和标准 化处理预处理； S2.利用自适应噪声完全集合经验模态分解CEEMDAN方法将预处理后的空气质量数据 集分解为多个相互独立的固有模态函数IMF子数据集和一个残差 子数据集； S3.利用改进的混沌二进制乌鸦搜索算法CBCSA对上述 固有模态函数IMF子数据集和残 差子数据集进行特征选择， 选取有利于预测的子数据集并进行重构， 获得优化后的空气质 量数据集； S4.采用三层双向长短期记忆神经网络BLSTM与自注意力机制以串联的方式， 构 建一个 深层深度学习BALSTM模 型； 该模型在前两层BLSTM中添加了Dr opout方法来减小模 型的过拟 合问题， 并选取Sigmoid作为自注 意力机制层的激活函数， 最后结果输入到全连接层中作为 最后预测结果的输出； S5.将步骤S3所得优化后的空气质量数据 集输入到步骤S4构 建的深层深度学习BALSTM 模型中进行 学习、 预测， 得到最后的空气质量预测结果。 2.根据权利要求1所述的基于混合深度 学习模型的空气质量预测方法， 其特征在于， 步 骤S1中， 缺失值处理方法为： 对于缺失的部分空气质量数据利用原始空气质量数据的平均 值进行填充； 季节性处 理包括定义季节指数， 计算公式如下： 其中Se表示季节因子， seAi表示收集的原始空气质量数据中各个季节数据历年的平均 数， i＝1,2,3,4， 分别代表春夏秋冬4个季节， yearA表示收集的原始空气质量数据的平均 值； 标准化处理为： 首先计算出所有原始空气质量数据的平均值yearA和标准差σ， 然后再 对其进行Z ‑score标准化， 计算公式如下： x＝(x0‑yearA)/σ 其中x0表示任意标准 化处理前的空气质量数据， x表示标准 化处理后的空气质量数据。 3.根据权利要求1所述的基于混合深度 学习模型的空气质量预测方法， 其特征在于， 步 骤S2的具体过程如下： S21： 设定拟分解的固有模态函数的总个数maxImf； S22： 在经过S1步处理后的空气质量数据集的7个空气参数数组中加入自适应的噪声， 生成的新数据集记为X； S23： 找出X中的所有极大值点和极小值点， 用三次样条差值函数分别拟合形成X的上包 络线和下包络线， 将X减去得到的上包络线和下包络线的均值， 得到新的数据集， 如果新的 数据集中不存在负的局部 极大值和正的局部 极小值， 则终止数据处理； 否则继续上述过程， 直到不存在负的局部极大值和正的局部 极小值为止； 经过该分解后的数据集记为固有模态 函数数据集IMF1；权　利　要　求　书 1/3 页 2 CN 115293269 A 2S24： 从X中减掉 提取的上述数据集 IMF1， 得到余项数据集RES1： RES1＝X‑IMF1； S25： 将RES1当作X， 重复S23～S24的步骤， 直到分解次数达到maxImf为止， 则得到一序列 的固有模态函 数数据集IMFi和余项数据集RESi， i＝1,2, …,maxImf； 最后一个 余项数据集即 为残差数据集； S26： 将上述所有的固有模态函数数据集IMFi与残差数据集组合成一个广义数组， 即为 用CEEMDAN方法分解后的空气质量数据集X'。 4.根据权利要求3所述的基于混合深度 学习模型的空气质量预测方法， 其特征在于， 步 骤S3对固有模态函数IMF子数据集和残差子数据集进行特征选择， 选取有利于预测的子数 据集的具体过程如下： S31： 对混沌二进制乌鸦搜索算法进行初始化； 设置乌鸦的数量n、 最大感知概率APmax、 最小感知 概率APmin、 最大飞行距离flmax、 最小飞 行距离flmin、 最大迭代次数tmax等参数， 并用Logistic混沌映射函数创建每只乌鸦的混沌 映射值； S32： 将步骤S2输出的分解后的空气质量数据集X'中各个空气质量数据作为各只乌鸦 的初始位置pi和初始记忆mi， i＝1,2,…,n； S33： 更新每只乌鸦的位置； 在每轮迭代过程中通过以下公式动态更新每只乌鸦的感知概 率和飞行距离： 其中t为迭代的轮次， tmax为最大迭代次数， APt为第t轮迭代 时乌鸦的感知概率， flt为 第t轮迭代时乌鸦的飞行距离； 然后通过 下面公式更新每只乌鸦的位置 其中， pi,t+1为乌鸦i在第t+1次迭代的位置， pi,t为乌鸦i在第t次迭代的位置， Ci和Cj分别 为乌鸦i和乌鸦j的混沌映射值， mj,t为第t次迭代被跟踪的乌鸦j的食物藏匿地点， 即第t次 迭代乌鸦j的记 忆； S34： 将每只乌鸦的新 位置转化为二进制值 位置； 定义转换函数如下： 其中， d为经 过S1步骤预处 理后的空气质量数据的平均值； 通过下面公式将每只乌鸦的新 位置转化为二进制值 位置 其中， bpi,t+1为乌鸦i在第t+1次迭代的二进制值 位置； S35： 计算每只乌鸦二进制位置bpi,t+1的适应度值；权　利　要　求　书 2/3 页 3 CN 115293269 A 3