本发明涉及空气中pm2.5的预测方法，具体为一种小时pm2.5浓度预测方法。
背景技术：
：：1、pm2.5作为空气质量评判的一个重要指标，是大气污染物的主要组成部分。长期暴露于高浓度pm2.5环境中，很容易通过呼吸系统渗入人体，引发一系列呼吸系统疾病、心血管疾病，严重危害人们的生命健康安全。因此，需要构建高可靠、高精度的pm2.5预测模型，准确掌握pm2.5变化趋势和规律，辅助公众合理规划出行，减少高浓度pm2.5的暴露时间，保护公众的健康安全。2、当前已有的pm2.5预测模型，主要包括四种类型：确定性机制模型、传统统计模型、人工智能模型和混合模型。确定性机制模型主要通过研究pm2.5的形成机理，对污染物的分布、扩散和转移过程进行模拟，从而对pm2.5的浓度进行预测，但是在建模过程中需要大量详实数据，数据采集困难，并且计算量大，计算过程复杂，多种不确定因素导致确定性机制模型的预测精度较低。与确定性机制模型相比，传统统计模型只需要足够的数据，不依赖于复杂的理论知识，原理高效简单，应用更加广泛。然而，传统的统计方法不适用于非线性序列的分析，真实的pm2.5序列均为非线性的，因此预测能力相对较差。人工智能模型由于其能够处理变量之间复杂的非线性关系而广泛应用于pm2.5预测，预测精度大幅提升。由于pm2.5序列的非平稳特性，直接对其进行预测仍然存在一定的误差，为了降低时间序列的复杂度，因此，使用信号处理技术处理非线性非平稳信号，结合人工智能模型，建立混合模型，可以进一步降低pm2.5的预测误差。技术实现思路1、本发明针对pm2.5序列具有非线性非平稳特性而使得小时pm2.5浓度预测误差大的问题，提供了一种小时pm2.5浓度预测方法。2、本发明是采用如下的技术方案实现的：一种小时pm2.5浓度预测方法，包括以下步骤：首先对pm2.5历史序列进行二次分解，第一次分解使用自适应噪声完备集合经验模态分解对原始pm2.5历史序列进行分解，分解得到本征模态函数imf2、imf3,、…、imfn和残差向量res，第二次分解使用变分模态分解对imf1进行分解，得到本征模态函数vmf1、vmf2、…、vmfk，在对pm2.5历史序列进行二次分解后，融合全球导航卫星系统gnss反演的可降水量pwv、气象参数、空气污染因子多特征m，形成特征空间数据(vmf1,m)、(vmf2,m)、…、(vmfk,m)、(imf2,m)、(imf3,m)、…、(imfn,m)、(res,m)，并且特征空间数据按比例分为了数据集和预测集，使用基于注意力机制的双向长短期记忆网络建立预测模型，先用数据集训练预测模型，再对由训练好的预测模型根据预测集得到的所有预测值进行重构，即可获得最终的pm2.5浓度预测结果，实现对下一小时pm2.5浓度的预测。3、上述的一种小时pm2.5浓度预测方法，全球导航卫星系统gnss反演可降水量pwv的过程为：4、当gnss信号从卫星传输到地面接收机时，gnss信号中的信号倾斜路径总延迟std通过映射函数投影至天顶方向得到测站天顶总延迟ztd，ztd可分为天顶干延迟zhd和天顶湿延迟zwd，然后，利用saastamoinen模型得到zhd，其中，p0为观测站所在位置的气压，为重力加速度的函数，表示为：其中，和h分别代表观测站的地理纬度和海拔高度，然后用ztd减去zhd得到zwd，然后将zwd转换为gnss-pwv：其中，ρwater为液态水密度，r为通用气体常数，mw表示水蒸气的摩尔质量，，k1，k2，k3为常数，tm是观测站垂直方向的加权平均温度，md表示干大气的摩尔质量。5、上述的一种小时pm2.5浓度预测方法，气象参数包括相对湿度、压强、温度和风速，空气污染因子包括pm10、so2、no2、co和o3。6、本发明通过使用ceemdan和vmd对pm2.5历史数据进行二次分解，融合全球导航卫星系统(global navigation satellite system，gnss)反演的可降水量(precipitablewater vapor,pwv)、气象参数(相对湿度、压强、温度、风速)、空气污染因子(pm10、so2、no2、co、o3)，使用基于注意力机制的双向长短期记忆网络建立预测模型，实现对下一小时pm2.5浓度的精准预测。技术特征：1.一种小时pm2.5浓度预测方法，其特征在于：包括以下步骤：首先对pm2.5历史序列进行二次分解，第一次分解使用自适应噪声完备集合经验模态分解对原始pm2.5历史序列进行分解，分解得到本征模态函数imf2、imf3，、…、imfn和残差向量res，第二次分解使用变分模态分解对imf1进行分解，得到本征模态函数vmf1、vmf2、…、vmfk，在对pm2.5历史序列进行二次分解后，融合全球导航卫星系统gnss反演的可降水量pwv、气象参数、空气污染因子多特征m，形成特征空间数据(vmf1，m)、(vmf2，m)、…、(vmfk，m)、(imf2，m)、(imf3，m)、…、(imfn，m)、(res，m)，并且特征空间数据按比例分为了数据集和预测集，使用基于注意力机制的双向长短期记忆网络建立预测模型，先用数据集训练预测模型，再对由训练好的预测模型根据预测集得到的所有预测值进行重构，即可获得最终的pm2.5浓度预测结果，实现对下一小时pm2.5浓度的预测。2.根据权利要求1所述的一种小时pm2.5浓度预测方法，其特征在于：全球导航卫星系统gnss反演可降水量pwv的过程为：3.根据权利要求1或2所述的一种小时pm2.5浓度预测方法，其特征在于：气象参数包括相对湿度、压强、温度和风速，空气污染因子包括pm10、so2、no2、co和o3。技术总结本发明涉及空气中PM2.5的预测方法，具体为一种小时PM2.5浓度预测方法。本发明通过使用CEEMDAN和VMD对PM2.5历史序列进行二次分解，融合全球导航卫星系统GNSS反演的可降水量PWV、气象参数（相对湿度、压强、温度、风速）、空气污染因子（PM10、SO<subgt;2</subgt;、NO<subgt;2</subgt;、CO、O<subgt;3</subgt;），使用基于注意力机制的双向长短期记忆网络建立预测模型，实现对小时PM2.5浓度的精准预测。技术研发人员：毋凡铭,李灯熬,赵菊敏,冯丁受保护的技术使用者：太原理工大学技术研发日：技术公布日：2024/3/24