本发明涉及空气质量预测领域，提出了一种基于改进灰狼算法和dbn-elm的进化深度学习模型的空气质量指数预测方法。
背景技术：
1、随着世界经济的快速发展和工业化、城市化进程的推进，空气污染变得越来越严重。大气污染物主要包括一氧化碳(carbon mon-oxide,co)、二氧化碳(carbon dioxide,co2)、二氧化硫(so2,so2)、氮氧化物(nitrogen oxide，nox)等颗粒物、可吸入颗粒物(pm10)、细颗粒物(pm2.5)等。空气污染物的存在使得空气质量不断恶化，不仅严重影响人们的日常生活和健康，也给社会的可持续发展带来了很大的障碍。空气质量指数(aqi)是一种用于评价空气质量的无因次指标。主要考虑六种污染物：一氧化碳(co)、二氧化硫(so2)、二氧化氮(no2)、臭氧(o3)、细颗粒物(pm2.5)和可吸入颗粒物(pm10)。并结合新环境空气质量对其计算方法进行了评价标准。aqi值越大，说明空气质量越差。因此，准确预测空气质量指数对大气污染防治具有重要意义。但大气环境是一个动态的、非线性的、非平稳的系统，这使得aqi的准确分析和预测非常困难。近年来，为了获得科学准确的aqi预测结果，许多学者对aqi进行了深入的研究，并提出了许多有效的预测方法。这些方法可分为统计方法、物理方法、智能方法和混合方法。
2、通过对空气中污染物变化规律的分析，采用了统计方法。统计模型主要包括灰色模型(gm)、多元线性回归(mlr)。然而这些模型的性能不足以预测非线性数据。物理方法可以通过模拟污染物在大气中的运输和扩散来预测空气污染物的浓度。物理方法常用的模型是天气研究和预报(wrf)模型、化学耦合气象化学模型等。但该类模型的实现存在计算量大、过程复杂、数据采集困难等问题。智能方法对数据中的非线性特征具有良好的学习能力，这使得智能方法在预测领域得到了广泛的应用。常用的智能方法包括支持向量回归(svr)、人工神经网络(ann)等模型。然而，这些机器学习模型对于庞大的数据集仍然有局限性。随着深度学习技术的快速发展，深度学习受到了学者们的广泛青睐，并已应用于空气质量预测，如长短期记忆(lstm)、深度信念网络(dbn)等。深度学习模型具有较强的学习能力和较高的预测精度，对大量的实验样本具有良好的学习能力。但与此同时，深度学习模型也存在训练时间一般较长、模型参数不是最优的问题。因此，对深度学习模型的改进和参数的优化具有十分重要的意义。基于深度学习理论的dbn模型是一种高效的深度学习预测模型，具有强大的数据分析和特征提取能力。然而，在大量的迭代计算中，其收敛速度容易过慢，使得dbn在预测领域的非线性逼近性能不理想。为了解决上述问题，将dbn在数据分析和特征提取方面的优越性能与极端学习机(elm)的快速学习速度和良好的泛化性能相结合。在dbn-elm模型中，使用dbn进行特征提取和降维。dbn中最后一个受限玻尔兹曼机(rbm)的隐层作为elm的输入层。
3、深度学习神经网络模型的参数通常是经验设定的，这使得寻找模型的最佳预测性能需要花费大量的时间进行测试。群智能优化算法可以根据数据集的特点找到模型的最优参数。常用的智能优化算法有粒子群优化(pso)、鲸鱼优化算法(woa)、正弦余线算法(sca)、哈里斯鹰优化算法(hho)和灰狼优化算法(gwo)等。gwo算法具有可自适应调整的收敛因子和信息反馈机制，能够实现局部优化和全局搜索的平衡，在问题求解精度和收敛速度方面具有良好的性能。因此，本发明采用改进的gwo算法对深度学习模型的参数进行获取。
技术实现思路
1、为解决现有技术中存在的问题，本发明将数据处理、智能优化和时间序列预测相结合，提出了基于改进的灰狼优化算法和dbn-elm的进化深度学习模型的空气质量指数预测方法。本发明所述的基于改进的灰狼优化算法和dbn-elm的进化深度学习模型的空气质量指数预测方法包括如下步骤：
2、1)结合tvfemd分解技术、改进的gwo算法和深度学习模型dbn-elm的优点，提出了一种新的混合模型(tvfemd-se-igwo-dbn-elm)，用于空气质量指数预测，以提供空气污染预警，促进生态系统恢复。通过对某站点一年四季的空气质量指数(aqi)数据集的应用，验证了该混合模型在空气质量预测中的优越性能；
3、2)采用tvfemd分解技术对aqi序列进行处理，并采用se技术对分解后的分量进行重构。针对aqi数据的非线性和非统计特性，采用tvfemd分解技术消除原始序列中存在的干扰和噪声，提取原始序列的有效信息。由于tvfemd技术获取的分量太多，因此采用se技术减少了计算时间和重复建模的累积误差；
4、3)dbn-elm模型是为子组件建模而构建的。dbn-elm模型在传统dbn模型的基础上，引入elm作为回归层。在dbn-elm模型中，dbn最后一个rbm的隐含层作为elm的输入层。dbn-elm模型结合了dbn在特征提取和elm在非线性拟合方面的优势，提高了aqi预测的精度；
5、4)为了解决gwo算法缺乏种群多样性和容易陷入局部最优的问题，对原gwo算法进行了改进。在初始化阶段引入反搜索策略以丰富种群信息，在搜索阶段引入dlh策略以解决陷入局部最优的问题，加快收敛速度。实验结果表明，本发明提出的igwo算法在总体性能上优于未改进的gwo算法；
6、5)利用igwo算法对dbn-elm模型的参数进行优化，选取最优参数的dbn-elm模型对aqi进行预测。通过与bp、dbn-elm、pso-dbn-elm、gwo-dbn-elm、tvfemd-se-gwo-dbn-elm等基准模型的比较，验证了tvfemd-se-igwo-dbn-elm模型的卓越性能。该模型可作为预测空气质量指数(aqi)的有效工具，为早期空气污染预警提供可靠的信息。
7、所述的基于改进的灰狼优化算法和dbn-elm的进化深度学习模型的空气质量指数预测方法中的改进的灰狼优化算法步骤如下：
8、灰狼作为一种群居动物，有着严格的社会等级制度。灰狼优化算法(gwo)根据其层次结构将灰狼种群从上到下分为α、β、δ和ω四个等级。灰狼在搜寻猎物时会靠近并包围猎物，这种搜寻的数学模型为：
9、
10、其中，a、c为系数向量；xprey(t)表示被捕食者的位置；x(t)表示当前灰狼的位置；a是收敛因子，其在整个迭代过程中从2线性减小到0；r1和r2是[0，1]中的随机向量，t是当前迭代次数。
11、当灰狼捕食猎物时，ω狼通过其他三只狼的位置信息更新自己的位置。数学表达式如等式(2)～(4)：
12、
13、
14、
15、其中xα(t)、xβ(t)和xδ(t)分别表示α、β、δ狼在当前种群中的位置，x(t)代表灰狼的位置；dα，dβ和dδ分别表示当前候选灰狼与最佳三只狼之间的距离；a1、c1、a2、c2、a3和c3分别表示α、β、δ的系数向量。当|a|＞1时，灰狼们尽可能分散在各个区域，寻找猎物；当|a|＜1时灰狼将集中精力在一个或一些区域寻找猎物。
16、在gwo算法中，ω狼在a、β、δ狼的带领下在搜索空间中搜索最优解。由于存在搜索过程中容易陷入局部最优解和降低种群多样性的缺点。针对上述问题，对灰狼优化算法的初始化和搜索策略进行了改进。
17、在初始化阶段，引入反向搜索策略，随机生成初始种群，同时生成其反向个体，并将反向个体的适应度与原始个体进行比较。如果对方个体的适应度优于原个体的适应度，则采用对方个体的适应度，否则采用原个体的适应度。相对个体的位置向量表达式如下：
18、
19、其中x’(t)表示相反个体的位置；代表原始种群的位置；lbound和ubound是搜索空间的上限和下限。
20、对搜索策略的改进是引入基于维度学习的寻优(dlh)搜索策略。在dlh策略中，通过公式(1)得到灰狼个体在各个维度上的更新位置的数学模型。个体狼向不同的邻居学习，而狼是从普通狼中随机选出的。除了xig(t+1)之外，dlh搜索策略还生成另一候选狼的新位置xid(t+1)。为此，首先，通过计算当前灰狼个体的位置xi(t)与候选灰狼的位置xig(t+1)之间的欧几里德距离，根据公式(6)计算半径ri(t)。
21、ri(t)＝xi(t)-xig(t+1) (6)
22、然后，xi(t)的邻域ni(t)根据等式(7)构建，其中di是xi(t)和xj(t)之间的欧几里得距离。
23、ni(t)＝{xj(t)|di(xi(t)，xj(t))≤ri(t)，xj(t)∈pop} (7)
24、当xi(t)的邻域被构建时，多邻域学习可以通过等式(8)构建。xid(t+1)的m维m(m+1)是利用从ni(t)和普通狼的随机数xr，m(t)中选取的随机邻域xn，m(t)计算出来的。
25、xid，m(t+1)＝xi，m(t)+rand×(xn，m(t)-xr，m(t)) (8)
26、在选择的更新阶段，首先，通过等式(9)比较两个候选者的适应值xig(t+1)和xid(t+1)去选择更合适的候选解。
27、
28、然后更新xi(t+1)的位置，如果候选解的适应度值值小于xi(t)，则由当前的候选解更新xi(t)，否则，xi(t)的位置保持不变。最后，在对所有个体执行此过程之后，将迭代次数加1，直到达到最大迭代次数。
29、与其他基准模型相比较，本方案设计出的模型有以下两个优点：
30、1、本方案设计的模型在精度和泛化方面都优于其他模型；
31、2、相比于其他模型，本方案能够更有效的预测空气质量指数。
1.基于改进灰狼算法和dbn-elm的进化深度学习模型的空气质量指数预测方法，其特征包含如下步骤：
2.根据权利要求1所述的基于改进灰狼算法和dbn-elm的进化深度学习模型的空气质量指数预测方法，对灰狼优化算法的初始化和搜索策略进行了改进，方法如下：
3.根据权利要求1所述的基于改进灰狼算法和dbn-elm的进化深度学习模型的空气质量指数预测方法，改进灰狼优化算法(igwo)步骤如下：
