一种化工园区空气质量预测方法

本发明涉及一种空气质量预测方法，具体涉及一种化工园区空气质量预测方法。

背景技术：

1、化工园区由于其特殊的生产特点，排放各种污染物，对周边环境空气质量造成显著影响。随着环境保护法律法规的加强及公众环保意识的提升，精确预测化工园区的空气质量已成为环境监管和企业环境管理的重要任务。化工园区空气质量受多种因素影响，包括气象条件、工业生产活动、地理位置等，这些因素共同作用使得空气质量预测成为一个复杂多变的问题。

2、传统的空气质量预测技术主要基于统计学模型及机器学习模型，如极限学习机(elm)、支持向量机(svm)和自回归积分滑动平均模型(arima)等，这些方法在处理简单或相对稳定的环境数据时能够提供合理的预测效果。然而，在处理复杂的、非线性的、多变量的空气质量数据时，这些技术常常表现出准确度和模型泛化能力的不足。特别是在像化工园区这样的复杂环境中，这些传统模型常常因无法有效处理数据中的噪声及其非线性关系而受限。尤其是在极端天气事件或不规则排放事件发生时，模型的预测性能会大为降低。此外，环境数据的收集和处理也面临技术挑战，如数据的不完整性、测量错误以及数据丢失等问题，都会严重影响预测模型的构建和预测结果的准确度。

技术实现思路

1、发明目的：针对现有技术存在的问题，本发明提供一种化工园区空气质量预测方法，能有效提高空气质量预测模型的精度。

2、技术方案：本发明所述的一种化工园区空气质量预测方法，包括：获取化工园区空气质量数据并预处理，所述空气质量数据包括化工园区一段时间内的空气质量指数数据及园区污染物数据；利用memd多元经验模态分解对各项数据进行信号分解，并对分解得到的信号分量进行高低频分类；对timesnet模型中的特征提取部分替换为离散小波变换，得到mtimesnet模型，利用mgmo算法分别优化两个预测模型的超参数，得到mtimesnet预测模型和crossformer预测模型；采用mtimesnet预测模型对高频分量进行预测，采用crossformer预测模型对低频分量进行预测，再通过mgmo算法计算各分量预测结果的权重，根据所述权重对高频分量和低频分量的预测结果进行加权求和，得到最终空气质量预测结果；所述mgmo算法是基于几何平均优化器算法gmo，采用融合佳点集策略和反向学习策略改进原始种群初始化过程，并引入正切函数改进自适应权重，得到的改进几何平均优化器算法。

3、其中，数据收集及数据预处理，包括如下步骤：

4、(11)建立空气质量数据集，其变量包括空气质量指数aqi、pm2.5、pm10、no2、so2、co，并对该数据集进行异常值剔除和空缺值填补操作；

5、(12)考虑到各变量的量纲不一致，为统一量纲以提升模型预测拟合度，对数据进行归一化处理，其公式表示如下：

6、

7、其中，b表示原始数据，bmax和bmin分别表示该列数据的最大值和最小值，b'表示归一化后的数据；

8、进一步地，利用多元经验模态分解memd对数据进行信号分解并进行高低频分类，包括如下步骤：

9、(21)多元经验模态分解memd可以将每个变量分解为数量相同的n个本征模态分量imf，并将imf分量频率由高到低进行排列，规避imf分量排序紊乱的问题。首先，将n个变量的时间序列集合记为b(t)＝{b1(t),b2(t),…,bn(t)}。

10、(22)在(n-1)维单位球面上，采用hammersley采样法采样得到p个n维空间的方向向量，记为

11、(23)计算信号集合b(t)沿任意方向的映射，记为并计算映射信号极大值点对应的时刻记为

12、(24)使用多元样条插值在这些极值点上插值，得到p个多元包络线计算p个包络线的均值函数，公式如下：

13、

14、(25)提取固有模态函数c(t)，c(t)＝b(t)-e(t)，重复上述步骤(23)～步骤(24)，直至imfs数量达到定义最大值。

15、(26)经过memd分解，得到多变量信号集合b(t)的分解结果如下：

16、

17、其中，τ为多元本征模态数量，cτ(t)为n元imf集合，r(t)为余项集合。

18、(27)计算所有imfs之间的spearman相关系数，公式如下：

19、

20、其中，φi为两个分量分别排序后的位置差，l为分量总数；

21、(28)将阈值大于0.5的分量定义为高度相关分量，根据每个分量的spearman相关系数，进行高低频分类。

22、进一步地，改进timesnet模型，包括如下步骤：

23、(31)timesnet由多个timesblock模块堆叠而成，一维时间序列x1d首先经过嵌入层得到深度特征即第l层timesblock的输入为并且第l层通过2d卷积提取二维时序变化，如公式(5)所示。

24、

25、(32)考虑到空气质量数据时间序列的非线性特点，本发明利用离散小波变换(dwt)替代原始timesnet模型中的快速傅里叶变换(fft)，得到改进的mtimesnet模型，公式如下：

26、

27、其中，β0为尺度参数，ε0为平移参数，u,v分别为缩放和平移参数；为复共轭函数；

28、(33)由于临近的周期与时刻的时序变化较为相似，使其具有二维局部性，timesblock模块选取inception模块进行卷积运算，如公式(7)表示。

29、

30、(34)为便于信息聚合，二维时序变化特征提取完成后，将其转化回一维空间进行自适应融合，公式(8)～(9)展示了这一过程。

31、

32、

33、其中，trunc(·)为去零填充。

34、进一步地，改进现有的几何平均优化器算法gmo，使用得到的mgmo算法分别优化mtimesnet模型和crossformer模型的超参数，包括如下步骤：

35、(41)首先设置gmo算法的种群大小、维度、迭代次数，以及搜索空间的上下限；

36、(42)在算法中引入佳点集策略和反向学习策略。采用佳点集策略初始化种群，并根据佳点集策略生成的点计算其反向点，将佳点集策略生成点及其反向点作为初始种群。设gs为s维欧式空间中的立方体，改进后的公式如下：

37、

38、其中，pg(λ)为佳点集，λ为1～g间的某点，g表示点数，zξ表示映射后的位置，zξ'表示反向点位置，ξ表示维度；

39、(43)gwo通过双适应度指数dfi评估空间个体的适应度和多样性以解决优化问题，公式如下：

40、

41、其中，η为种群大小，表示第k次迭代时第i个个体的双适应度指数，mf代表个体模糊隶属函数；

42、(44)为了得到个体最佳，定义所有个体的加权平均值，其权重为相应的双适应度指数，公示如下所示：

43、

44、其中，yik是个体i在第k次迭代时的位置向量，代表第j个个体迄今为止最好的位置向量，是第j个个体在第k次迭代处的双重适应度指数；ε是一个为避免奇点而加在分母上的非常小的正数；

45、(45)引入正切函数改进自适应权重，公式如下：

46、

47、其中，ω为自适应权重，k为当前迭代次数，kmax为最大迭代次数；

48、(46)为了使yik在性质上更随机，个体进行高斯突变，过程如下：

49、

50、其中，randn是标准正态分布生成的随机向量，stdk是在第k次迭代时针对个体当前的标准偏差向量，是由在第k次迭代时个体当前最好的最大标准偏差值组成的向量；

51、(47)最后，根据下式推导出各搜索个体的更新方程：

52、

53、其中，vik+1是第i个个体在第k次迭代时的速度向量，vit是第i个个体在第k次迭代时的速度向量，是个体i在迭代k时的唯一全局向导的位置向量，是第i个个体在迭代k时的位置向量；此外，α是一个缩放参数向量，描述了个体i向其向导采取的步骤，rand是[0，1]的随机数。

54、(48)根据位置更新公式搜寻全局最优解，得到mtimesnet和crossformer模型的最优参数组合；

55、(49)判断是否达到最大迭代次数，若未达到，则返回步骤(43)，直到达到最大迭代次数，输出最优参数配置。

56、根据计算得到的最优参数，建立基于mtimesnet和crossformer的空气质量预测模型，将得到的高频分量输入到mtimesnet预测模块，低频分量输入到crossformer预测模块，分别进行特征学习和预测。

57、进一步地，利用mgmo对高频分量和低频分量的预测结果进行权重融合，得到最终预测结果，包括如下步骤：

58、(51)根据步骤(49)得到的高低频分量预测结果建立输入矩阵；

59、(52)建立权重优化目标函数，公式如下：

60、

61、

62、其中，re为分量加权结果，b'i为分量序列，为每个分量的权重；yreal是空气质量指数实际值(实测)。

63、(53)利用mgmo算法自适应优化各分量的权重，得到最终的空气质量预测结果。

64、有效效果：1、本发明通过引入memd多元经验模态分解和spearman相关系数，实现了对空气质量监测数据的有效分解和频率特征分类，充分挖掘了数据中的多尺度信息。该方法的有效性在于结合了现代信号处理技术和深度学习模型的优势，通过区分数据的高低频分量，不仅优化了资源分配，还增强了对复杂数据结构的理解能力，进一步提高了空气质量预测模型的整体性能；2、本发明将离散小波变换(dwt)替换timesnet模型中的特征提取部分，进一步增强了模型处理非线性多尺度特征的能力。改进后得到的mtimesnet模型通过其深度网络结构和复杂的非线性处理能力，能够精准地捕捉到高频数据中的短期波动和噪声，适合于处理短期内快速变化的信息变量；而crossformer则由于善于捕捉长期趋势和高效处理长序列数据，更适于预测显示长期趋势和周期性变化的低频分量。本发明根据数据频率特征使用不同模型，最大化地发挥了两种模型在各自领域内的优势，从而提高了预测的准确度和效率。3、本发明对几何平均优化器算法gmo进行了改进，引入佳点集策略和反向学习策略改进原始种群初始化过程，增强了算法的全局探索能力，有助于跳出局部最优解，提高了收敛速度和搜索效率。其次，通过正切函数改进自适应权重，使得算法能够更灵活地调整个体间的权重，有效地平衡了探索和利用的权衡，提高了算法的收敛性和稳定性；4、本发明利用改进的几何平均优化器算法mgmo优化预测模型的超参数，不仅提升了模型的泛化能力，还通过自动调节参数处理复杂数据之间的相互作用，进一步提高了预测的准确性和可靠性。另外，通过mgmo算法加权整合高频和低频分量的预测结果，能够输出更为精确的化工园区空气质量综合预测，有效减少预测误差。综上，本发明能够更好地处理复杂、非线性和多变量的数据，特别是能够提取数据中的非线性关系和多尺度特征，提高了园区空气质量预测的准确度和可靠性。