CN114611695A - 用于空气质量预测的方法、装置、终端及存储介质 - Google Patents
用于空气质量预测的方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114611695A CN114611695A CN202210288310.2A CN202210288310A CN114611695A CN 114611695 A CN114611695 A CN 114611695A CN 202210288310 A CN202210288310 A CN 202210288310A CN 114611695 A CN114611695 A CN 114611695A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- fitness
- value
- air quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000002922 simulated annealing Methods 0.000 description 8
- 238000005314 correlation function Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于空气质量预测的方法、装置、终端及存储介质,该方法包括:根据遗传算法随机初始化种群;执行循环迭代过程直至满足预设条件,循环迭代过程包括:确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数对初始种群进行交叉和变异操作,得出第一种群;根据Metropolis准则、第一种群中各个体新适应度和旧适应度之间的差值执行替换或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代所述第二种群的最差个体作为下一代初始种群;在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息。本发明能够提高模型的插值精度,进而提升空气质量数据的空间插值精度。
Description
技术领域
本发明涉及统计学技术领域,尤其涉及一种用于空气质量预测的方法、装置、终端及存储介质。
背景技术
大气环境污染是当前困扰我国的环境污染之一,对日常生活、交通运输等活动造成了诸多的阻碍,并且严重影响了人们的身心健康,对家庭和国家的经济造成了严重的损失。克里金(Kriging)插值法是一种常见的根据数学模型和统计模型的空间插值法,它将概率和预测结果进行关联,从统计模型中给出不完全精确的预测值和误差值。该方法对未采样点的区域化变量值进行线性、最优和无偏估计,既考虑变量的空间相关性,也考虑了已知数据点和待估测点的位置关系。如今,克里金技术不仅应用于地质学、矿业等研究领域,也广泛应用于气象学、遥感、资源与环境等研究领域。
克里金模型大致可以分为智能优化算法与传统数理方法去进行相关参数优化。传统数理统计法主要应用极大似然法、线性规划法、加权最小二乘法等去优化问。Lophaven提出的克里金模型构建算法应用广泛,它使用模式搜索算法来确定相关参数.模式搜索算法是一种直接搜索的数值优化方法,它从给定的起始点开始,利用探测移动与模式移动完成寻优过程,其最大缺点是优化结果对起始点非常敏感,由它求解相关参数向量所构建的克里金模型不一定是最佳的。
现有空气预测方法中根据克里金模型进行初始数据处理存在优化结果不精确的问题。
发明内容
本发明实施例提供了一种用于空气质量预测的方法、装置、终端及存储介质,以解决现有方案对用于空气预测的初始数据处理存在优化结果不精确的问题。
本发明实施例的第一方面提供了一种用于空气质量预测的方法,包括:根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数K max;
执行循环迭代过程直至满足预设条件,所述循环迭代过程包括:根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对所述初始种群进行交叉操作和变异操作,得出第一种群;根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代所述第二种群的最差个体作为下一代初始种群;
其中,所述预设条件为对所述第二种群执行降温退火操作后温度和迭代次数均不满足退出条件;
在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
在一种可能的实现方式中,所述根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对所述初始种群进行交叉操作和变异操作,包括:
根据如下公式调节交叉率:
根据如下公式调节变异率:
其中,Pcmax和Pcmin分别是交叉率的最大值与最小值;Pmmax和Pmmin分别是变异率的最大值与最小值;fmin是所有个体适应度最小值;favg是所有个体适应度的平均值;f'为交叉过程中的适应度值;Z为调整曲线光滑程度的曲线平滑参数。
在一种可能的实现方式中,在所述根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作之前,还包括:
根据如下公式确定接受概率:
其中,P为接受概率;K是常数;T为当前温度;f(x'(j))是所述第一种群里第j个个体的适应度值;f(x(j))是所述初始种群里第j个个体的适应度值。
在一种可能的实现方式中,所述根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,包括:
当初始种群中个体的适应度值大于所述第一种群中与之相对应的个体适应度值时,则执行替换操作,将新个体替换掉对应的旧个体;
当初始种群的个体适应度值小于等于所述第一种群中与之相对应的个体适应度值时,则采用进化逆转操作,以逆转个体中的部分序列基因。
在一种可能的实现方式中,所述进化逆转操作,包括:
在个体编码串中随机设置两个临界点;
对所述两个临界点内的基因序列进行逆转操作。
在一种可能的实现方式中,在所述采用进化逆转操作之后,还包括:
以概率P将新个体替换掉对应的旧个体。
在一种可能的实现方式中,所述退出条件包括:g>K max或T<tf;其中,g为当前迭代次数;K max为所述最大迭代次数;T为当前温度;tf为所述终止温度。
在一种可能的实现方式中,所述适应度函数值计算式为;
其中,R=R(xi,xj)是样本点xi和xj的相关函数;xi是所述初始种群中第i个个体;θ为相关参数矢量;N是空间维数;是第i个个体的第k维分量;β0是β的估计值;y是样本数据响应值组成的M维列矢量。
本发明实施例的第二方面提供了一种用于空气质量预测的装置,包括:
初始化模块,用于根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数K max;
种群优化模块,用于执行循环迭代过程直至满足预设条件;所述循环迭代过程包括:根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对所述初始种群进行交叉操作和变异操作,得出第一种群;根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代所述第二种群的最差个体作为下一代初始种群;
其中,所述预设条件为对所述第二种群执行降温退火操作后温度和迭代次数均不满足退出条件;
输出模块,用于在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的用于空气质量预测的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述用于空气质量预测的方法。
本发明实施例提供一种用于空气质量预测的方法、装置、终端及存储介质,本发明实施例在克里金模型中引入自适应遗传算法,使得遗传算法部分的交叉、变异概率可以非线性地自适应调整,对Metropolis准则进行改进,对性能较差的个体采取基因逆转操作,增加了种群个体的多样性,改进的遗传模拟退火算法同时兼顾模拟退火算法能避免陷入局部最优与遗传算法收敛速度快的优点,能更加精确的预测空气质量的空间分布。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于空气质量预测的方法的流程示意图;
图2是本发明实施例提供的用于交叉率调整的sigmoid曲线示意图;
图3是本发明实施例提供的用于变异率调整的sigmoid曲线示意图;
图4是本发明一具体实施例示出的空气质量预测结果示意图;
图5是本发明实施例提供的一种用于空气质量预测的装置的结构示意图;
图6是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明旨在提供了一种在传统克里金插值的基础上引入改进的遗传模拟退火算法,通过设定较高初始温度,延缓退火过程,使算法收敛到全局最优解,以解决现有空气预测方法中根据克里金模型进行初始数据处理存在优化结果不精确的问题。
克里金模型是一种高精度的插值模型,其随机过程表达式为:
y(x)=f(x)+z(x) (1)
式中:f(x)为全局趋势模型,是与x相关的未知函数,通常f(x)为未知常数项;z(x)为随机变量,符合方差是δ2,均值是0的随机过程。
随机变量z(x)的协方差矩阵表示为如下形式:
Cov[Z(xi),Z(xj)]=δ2R(xi,xj) (2)
式中:R(xi,xj)是样本点xi和xj的相关函数,xi是第i个样本点。
本文选用的相关函数为目前比较流行的“高斯指数模型”,其表达式为:
式(3)可化为如下表达式:
经过推算未知点x处的预估值表达式为:
式中:β0是β的估计值;rT(x)是样本与未知点x之间的相关矢量;y是样本数据响应值组成的M维列矢量;f为元素全是1的M维列矢量。β0的计算表达式如下:
β0=(fTR-1f)-1(fTR-1y) (6)
方差估计值δ2由β0和y给出:
式(4)的相关参数θ,由最大似然表达式可转化为如下表达式:
式中:δ2、R(xi,xj)都为与参数θ相关的函数。表达式(8)的最大化问题可转为表达式(9)的最小化问题:
由上述推算可知,任意一个相关参数θ都能建立与之相对应的克里金插值模型,可通过求解表达式(9)的优化问题从而得到最优的克里金模型。
本发明则旨在应用改进的遗传模拟退火算法求解表达式(9)的最优值,从而得到最优的克里金模型。为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的用于空气质量预测的方法的实现流程图,包括如下步骤:
S101,根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数K max。
S102,执行循环迭代过程直至满足预设条件。
其中,循环迭代过程包括:
步骤a,根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;
步骤b,根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对初始种群进行交叉操作和变异操作,得出第一种群;
步骤c,根据Metropolis准则、第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群;
步骤d,用当代初始种群中的最优个体替代第二种群的最差个体作为下一代初始种群。
其中,在步骤c中得到第二种群后,在不满足预设条件时执行步骤d,在满足预设条件时则退出循环迭代过程,执行步骤S103。预设条件为对第二种群执行降温退火操作后温度和迭代次数均不满足退出条件。
其中,步骤a中,适应度函数值计算式即上述表达式(9),即适应度函数值计算式为;
标准遗传算法的交叉率和变异率是固定的,步骤S101中引入自适应遗传算法,并在步骤S102执行循环迭代过程中基于sigmoid函数对自适应交叉率及变异率调整曲线进行非线性化,将个体的适应度与当代种群的平均适应度进行比较,在种群演化中有效地保留优秀个体的模式,增强较差个体的变异能力,使算法跳出局部最优解,克服早熟的缺点。另外,在执行循环迭代过程中对Metropolis准则进行改进,对性能较差的个体采取基因逆转操作,以增加种群个体的多样性。
S103,在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
本发明实施例中,在克里金模型中引入自适应遗传算法,使得遗传算法部分的交叉、变异概率可以非线性地自适应调整,对Metropolis准则进行改进,对性能较差的个体采取基因逆转操作,增加了种群个体的多样性,改进的遗传模拟退火算法同时兼顾模拟退火算法能避免陷入局部最优与遗传算法收敛速度快的优点,能更加精确的预测空气质量的空间分布。
在一种可能的实现方式中,根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对初始种群进行交叉操作和变异操作,包括:
根据如下公式调节交叉率:
根据如下公式调节变异率:
其中,Pcmax和Pcmin分别是交叉率的最大值与最小值;Pmmax和Pmmin分别是变异率的最大值与最小值;fmin是所有个体适应度最小值;favg是所有个体适应度的平均值;f'为交叉过程中的适应度值;Z为调整曲线光滑程度的曲线平滑参数。可选的,Z设定为9.903438。
图2为用于交叉率调整的sigmoid曲线示意图,图3为用于变异率调整的sigmoid曲线示意图。如图2和3所示,交叉率和变异率根据个体适应度值在适应度最小值和适应度的平均值按照sigmoid曲线进行非线性变化。
其中,交叉率和变异率在区间[(fmin,(favg+fmin)/2)]缓慢上升,有利于保护种群中的优良个体免遭破坏;交叉率和变异率在区间[(favg+fmin)/2),favg]快速上升,则有利于进化种群中的较差个体。交叉变异率采用sigmoid曲线能使得适应度小的优秀个体得以最大化的保留,同时使得适应度偏大的较差个体以高概率进化,从而保证种群收敛至最优值。
在一种可能的实现方式中,在步骤S104根据Metropolis准则、第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作之前,还包括:
根据如下公式确定接受概率:
其中,P为接受概率;K是常数;T为当前温度;f(x'(j))是第一种群里第j个个体的适应度值;f(x(j))是初始种群里第j个个体的适应度值。
在一种可能的实现方式中,步骤c根据Metropolis准则、第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,包括:
当初始种群中个体的适应度值大于第一种群中与之相对应的个体适应度值时,则执行替换操作,将新个体替换掉对应的旧个体;
当初始种群的个体适应度值小于等于第一种群中与之相对应的个体适应度值时,则采用进化逆转操作,以逆转个体中的部分序列基因。
在一种可能的实现方式中,逆转操作,包括:
在个体编码串中随机设置两个临界点;
对两个临界点内的基因序列进行逆转操作。
以一具体实施例对逆转操作进行说明:例如二进制编码串101101001011,随机到的临界点位第3位和第11位,两个临界点内的基因序列为1010010,逆转后为0100101则逆转后的基因序列二进制编码串为101010010111。
在一种可能的实现方式中,在采用进化逆转操作之后,还包括:
以概率P将新个体替换掉对应的旧个体。
具体的,若概率P大于[0,1)区间的随机数,则接受新个体;若不成立,则保留旧个体。
其中,改进的Metropolis准则在面对较差的新个体时,尝试对该染色体的部分序列基因进行逆转操作来提高该个体的性能,之后再以概率P替换掉旧个体,此方法能有效丰富种群的个体多样性,增强退火算法的寻优能力。
在一种可能的实现方式中,退出条件包括:g>K max或T<tf;其中,g为当前迭代次数;K max为最大迭代次数;T为当前温度;tf为终止温度。
其中,为了延缓退火过程避免陷入局部最优与遗传算法收敛速度快,终止温度不宜过大,但避免优化时间过程,终止温度不宜过小。
例如,tf=0.99t0。其中,tf为终止温度,t0为起始温度,即t0与tf的比值为0.99。可选的,t0与tf的比值为0.7~0.99。
如图4是一具体实施例示出的空气质量预测结果示意图。该结果是根据本发明实施例提供的用于空气质量预测的方法,基于改进后的克里金模型进行插值处理后得出的。
其中,选取河北省内的石家庄、邯郸、唐山、张家口等11个城市为研究对象,将11个城市的经度、维度和月均空气质量指数值作为实验数据。
初始化种群,设迭代次数K max=150,种群规模N=30,交叉概率=0.7,变异概率=0.05,初始温度t0=100,终止温度tf=0.001,交叉概率的最大值和最小值为0.7和0.4;变异概率的最大值和最小值为0.045和0.005。
运行改进的遗传模拟退火算法求出θ的最优解为[19.9245 19.9245]。将实验数据代入优化后的克里金模型中进行求解,得出结果则如图4所示,得出河北省的空气质量指数值空间分布图。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的用于空气质量预测的装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,用于空气质量预测的装置包括:初始化模块501、种群优化模块502和输出模块503。
初始化模块501,用于根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数K max。
种群优化模块502,用于执行循环迭代过程直至满足预设条件。循环迭代过程包括:根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对初始种群进行交叉操作和变异操作,得出第一种群;根据Metropolis准则、第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代第二种群的最差个体作为下一代初始种群。
其中,预设条件为对第二种群执行降温退火操作后温度和迭代次数均不满足退出条件。
输出模块503,用于在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
本发明实施例中,在克里金模型中引入自适应遗传算法,使得遗传算法部分的交叉、变异概率可以非线性地自适应调整,对Metropolis准则进行改进,对性能较差的个体采取基因逆转操作,增加了种群个体的多样性,改进的遗传模拟退火算法同时兼顾模拟退火算法能避免陷入局部最优与遗传算法收敛速度快的优点,能更加精确的预测空气质量的空间分布。
图6是本发明实施例提供的终端的示意图。如图6所示,该实施例的终端6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个用于空气质量预测的方法实施例中的步骤,例如图1所示的步骤S101至步骤S103。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块501至503的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如,所述计算机程序62可以被分割成图5所示模块501至503。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备,例如所述终端6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。根据这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个用于空气质量预测的方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于空气质量预测的方法,其特征在于,包括:
根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数Kmax;
执行循环迭代过程直至满足预设条件,所述循环迭代过程包括:根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对所述初始种群进行交叉操作和变异操作,得出第一种群;根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代所述第二种群的最差个体作为下一代初始种群;
其中,所述预设条件为对所述第二种群执行降温退火操作后温度和迭代次数均不满足退出条件;
在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
4.根据权利要求3所述的方法,其特征在于,所述根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,包括:
当初始种群中个体的适应度值大于所述第一种群中与之相对应的个体适应度值时,则执行替换操作,将新个体替换掉对应的旧个体;
当初始种群的个体适应度值小于等于所述第一种群中与之相对应的个体适应度值时,则采用进化逆转操作,以逆转个体中的部分序列基因。
5.根据权利要求4所述的方法,其特征在于,所述进化逆转操作,包括:
在个体编码串中随机设置两个临界点;
对所述两个临界点内的基因序列进行逆转操作。
6.根据权利要求4所述的方法,其特征在于,在所述采用进化逆转操作之后,还包括:
以概率P将新个体替换掉对应的旧个体。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述退出条件包括:g>Kmax或T<tf;其中,g为当前迭代次数;Kmax为所述最大迭代次数;T为当前温度;tf为所述终止温度。
8.一种用于空气质量预测的装置,其特征在于,包括:
初始化模块,用于根据遗传算法随机初始化种群,并给定初始温度t0、终止温度tf和最大迭代次数Kmax;
种群优化模块,用于执行循环迭代过程直至满足预设条件;所述循环迭代过程包括:根据适应度函数值计算式计算当代初始种群中各个体的适应度函数值,确定个体适应度最小值和所有个体适应度的平均值;根据sigmoid函数、所有个体适应度最小值和所有个体适应度的平均值对所述初始种群进行交叉操作和变异操作,得出第一种群;根据Metropolis准则、所述第一种群中各个体新适应度和旧适应度之间的差值执行替换操作或进化逆转操作,得到第二种群,用当代初始种群中的最优个体替代所述第二种群的最差个体作为下一代初始种群;
其中,所述预设条件为对所述第二种群执行降温退火操作后温度和迭代次数均不满足退出条件;
输出模块,用于在结束迭代过程后输出终止迭代时的第二种群中的最优个体信息,并代入克里金模型,以用于空气质量预测数据差值处理。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288310.2A CN114611695A (zh) | 2022-03-22 | 2022-03-22 | 用于空气质量预测的方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288310.2A CN114611695A (zh) | 2022-03-22 | 2022-03-22 | 用于空气质量预测的方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611695A true CN114611695A (zh) | 2022-06-10 |
Family
ID=81865420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210288310.2A Pending CN114611695A (zh) | 2022-03-22 | 2022-03-22 | 用于空气质量预测的方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611695A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
-
2022
- 2022-03-22 CN CN202210288310.2A patent/CN114611695A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
CN116579253B (zh) * | 2023-07-11 | 2023-09-22 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766044B (zh) | 一种基于高斯过程先验指导的神经网络训练方法 | |
CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN112348168B (zh) | 考虑数据缺失和特征冗余的超短期负荷预测方法及系统 | |
WO2022033258A1 (zh) | 基于自动储层神经网络的多步预测未来风速的方法和系统 | |
CN114611695A (zh) | 用于空气质量预测的方法、装置、终端及存储介质 | |
CN114124734B (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
Dong et al. | A time series attention mechanism based model for tourism demand forecasting | |
CN114329900A (zh) | 一种基于神经网络的器件参数获取方法、系统及相关组件 | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN110830939A (zh) | 基于改进的cpn-wlan指纹定位数据库的定位方法 | |
CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
CN114065913A (zh) | 模型量化方法、装置及终端设备 | |
CN114783526A (zh) | 基于高斯混合图变分自编码器的深度无监督单细胞聚类方法 | |
CN113570129A (zh) | 带钢酸洗浓度的预测方法及计算机可读存储介质 | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
CN116663516B (zh) | 表格机器学习模型训练方法、装置、电子设备及存储介质 | |
CN115359654B (zh) | 流量预测系统的更新方法及装置 | |
CN116401377B (zh) | 一种基于扩散概率分布的时序知识图谱推理方法 | |
CN114580578B (zh) | 具有约束的分布式随机优化模型训练方法、装置及终端 | |
CN114169493B (zh) | 基于尺度感知神经架构搜索的多变量时间序列预测方法 | |
CN117436336A (zh) | 高精度三维射线传播方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |