技术特征：
1.一种基于lstm深度学习的大气污染预测方法，其特征在于，包括：获取气象历史数据、大气观测历史数据、预测气象数据和实时观测数据；对获取的数据进行预处理；确定lstm网络结构；利用预处理后的数据对lstm网络进行训练并调优，得到训练好的lstm网络；利用训练好的lstm网络进行预测，获得预测结果。2.如权利要求1所述的基于lstm深度学习的大气污染预测方法，其特征在于，所述对获取的数据进行预处理，具体包括：删除常量特征的值和重复数值、对数据中的缺失值进行填充、将非数值数据通过one-hot进行编码。3.如权利要求1所述的基于lstm深度学习的大气污染预测方法，其特征在于，所述lstm网络结构包括输入层，lstm层，全连接层，丢弃层和输出层。4.如权利要求3所述的基于lstm深度学习的大气污染预测方法，其特征在于，使用sigmoid函数作为连接函数，sigmoid函数具体为：其中，x为输入值。5.如权利要求1所述的基于lstm深度学习的大气污染预测方法，其特征在于，所述对lstm网络进行调优，具体为利用rmse误差损失函数进行误差计算，rmse误差损失函数为：其中，xi是目标输出，是使用测试样本数据的预测输出。6.如权利要求1所述的基于lstm深度学习的大气污染预测方法，其特征在于，对lstm网络每隔设定时间进行重新训练，并将新观测的数据加入训练样本。7.如权利要求2所述的基于lstm深度学习的大气污染预测方法，其特征在于，利用拉格朗日填充、牛顿法、均值填充法和滑动窗对数据中的缺失值进行填充。8.一种基于lstm深度学习的大气污染预测系统，其特征在于，包括：数据获取模块，被配置为：获取气象历史数据、大气观测历史数据、预测气象数据和实时观测数据；数据预处理模块，被配置为：对获取的数据进行预处理；网络结构确定模块，被配置为：确定lstm网络结构；训练模块，被配置为：利用预处理后的数据对lstm网络进行训练并调优，得到训练好的lstm网络；预测模块，被配置为：利用训练好的lstm网络进行预测，获得预测结果。9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于lstm深度学习的大气污染预测方法中的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于lstm深
度学习的大气污染预测方法中的步骤。
技术总结
本发明提出了一种基于LSTM深度学习的大气污染预测方法及系统，属于大气环境预测领域。包括：获取气象历史数据、大气观测历史数据、预测气象数据和实时观测数据；对获取的数据进行预处理；确定LSTM网络结构；利用预处理后的数据对LSTM网络进行训练并调优，得到训练好的LSTM网络；利用训练好的LSTM网络进行预测，获得预测结果。本发明将大气观测历史数据，充分结合气象历史数据和预测气象数据，并采用实时观测值参与预测，增加了大气污染指数AQI和首要污染物数值预测的准确性。和首要污染物数值预测的准确性。和首要污染物数值预测的准确性。
技术研发人员：周学华 展俊云
受保护的技术使用者：山东大学
技术研发日：2022.11.24
技术公布日：2023/2/27