本发明涉及环保，特别涉及一种pm2.5浓度预测方法、装置及系统和存储介质。
背景技术：
1、空气质量监测中，空气质量指数(air quality index，aqi)作为一种关键量化参数，用于详尽刻画大气状态。参照我国国家环境保护部于2012年颁布的《环境空气质量指数(aqi)技术规定(试行)》，针对特定污染物项目p的空气质量分指数用如下公式来计算。
2、
3、式中，iaqip为污染物项目p的空气质量分指数；cp为污染物项目p的质量浓度值；bphi为与cp相近的污染物浓度限值的高位置；bplo为与cp相近的污染物浓度限制的低位值；iaqilo为与bplo对应的空气质量分指数；iaqihi是与bphi对应的空气质量分指数。
4、空气质量指数用如下公式来计算。
5、aqi＝max{iaqi1,iaqi2,iaqi3,...iaqin}.
6、式中，iaqi表示空气质量分指数；n代表污染物项目。
7、pm2.5浓度表示直径小于或等于2.5μm的尘埃或飘尘在环境空气中的浓度。pm2.5浓度常用于衡量空气质量。pm2.5浓度的预测对空气质量的管控具有重要意义。当下，卷积神经网络(cnn)常用于pm2.5浓度预测中，cnn是一种融合深度结构的前馈神经网络模型，其特点在于应用卷积运算机制。作为一种深度学习框架，cnn旨在显著减少对原始数据预处理步骤的需求，相较于传统算法展现出更为优越的性能。受生物视觉系统启发而诞生的cnn，创造性地将卷积原理融入神经网络架构之中，并已在众多领域得到广泛应用与实践验证。cnn这一架构的概念最早可追溯至1989年，自此之后，通过梯度优化技术，cnn的性能得到了显著增强和持续完善。一个完整的cnn涵盖了多个核心组件，这些组件包括但不限于输入层、卷积层、激活函数的应用、池化层的引入、全连接层的构建，以及损失函数的设定。其重点在于，通过精心组合这些网络层结构，以实现尽可能精确的特征提取。这一过程中，每一层的设计和配置都至关重要，它们共同协作，使得cnn能够高效地处理输入数据，并提取出对后续任务有用的特征信息。
8、在利用传统的卷积神经网络进行pm2.5浓度预测时，pm2.5浓度数据波动变化信息的复杂性导致传统模型预测精度不高。
技术实现思路
1、为了解决上述问题，本发明提供了一种pm2.5浓度预测方法、装置及系统和存储介质，以解决pm2.5浓度数据波动变化信息的复杂性导致传统模型预测精度不高的问题。
2、为了达到上述目的，本发明采用的技术方案如下：
3、根据本发明的第一方案，提供一种pm2.5浓度预测方法，所述方法包括：
4、对pm2.5浓度值时间序列数据进行变分模分解，得到多个分解序列，所述分解序列为本征模函数，在进行变分模分解时，以变分模分解中的包络熵为第一目标函数，包络熵最小值作为第一目标函数的目标值，利用粒子群优化算法确定变分模分解中的两个参数k和α，其中参数k用于界定对pm2.5浓度值时间序列数据进行变分模分解时所选取的模态数量，参考α用于确定各分解序列的频谱覆盖范围；将所述多个分解序列馈送至lstm网络模型中得到各分解序列的预测值；以各分解序列的预测值与pm2.5浓度真实值之间的均方误差作为目标函数，以均方误差最小值作为目标值，利用灰狼优化算法确定各分解序列的权重值；将各分解序列的权重值与预测值相乘后累加得到pm2.5浓度预测值。
5、根据本发明的第二技术方案，提供一种pm2.5浓度预测装置，所述装置包括处理器，所述处理器被配置为：
6、对pm2.5浓度值时间序列数据进行变分模分解，得到多个分解序列，所述分解序列为本征模函数，在进行变分模分解时，以变分模分解中的包络熵为第一目标函数，包络熵最小值作为第一目标函数的目标值，利用粒子群优化算法确定变分模分解中的两个参数k和α，其中参数k用于界定对pm2.5浓度值时间序列数据进行变分模分解时所选取的模态数量，参考α用于确定各分解序列的频谱覆盖范围；将所述多个分解序列馈送至lstm网络模型中得到各分解序列的预测值；以各分解序列的预测值与pm2.5浓度真实值之间的均方误差作为目标函数，以均方误差最小值作为目标值，利用灰狼优化算法确定各分解序列的权重值；将各分解序列的权重值与预测值相乘后累加得到pm2.5浓度预测值。
7、根据本发明的第三技术方案，提供一种pm2.5浓度预测系统，所述系统包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上所述的方法。
8、根据本发明的第四技术方案，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的方法。
9、本发明至少具有以下有益效果：
10、1、本发明构建提出基于时间序列的vmd-lstm-gwo组合预测模型。模型首先使用变分模态分解方法对pm2.5浓度序列进行分解，其中应用粒子群优化算法对vmd中的参数寻优，并结合观察中心频率确定参数，vmd能够深度提取序列在不同频率上的特征与信息，从而降低后续深度学习模型的拟合难度，提高模型的效率；将分解得到的若干个本征模函数分别输入长短期记忆网络进行拟合得到各分量的预测值，为进一步提高模型的预测精度，引用灰狼优化算法对各分量的权重进行重构优化，不断修正各分量对于预测结果的贡献，将权重与各分量预测结果对应相乘后相加，输出vmd-lstm-gwo组合模型的预测值，以解决pm2.5浓度数据波动变化信息的复杂性以及传统模型预测精度不高的问题。
11、2、本发明还构建了基于最大信息系数的pm2.5浓度空间特征因子，并提出基于多特征融合的cnn-lstm组合预测模型。首先计算某一研究区域各空气质量监测站点之间pm2.5浓度的最大信息系数，并将其作为空间权重矩阵的元素，将该矩阵与由各站点pm2.5浓度构成的数据集相乘，即得到空间特征因子，进一步将其作为pm2.5浓度的一个影响因素，结合其他空气污染物因素和气象因素，共同输入cnn-lstm模型中进行拟合预测，输出基于多特征融合的cnn-lstm组合模型的预测值，以解决现有预测方法中忽略pm2.5浓度空间影响因素的问题。
1.一种pm2.5浓度预测方法，其特征在于，所述方法包括；
2.如权利要求1所述的pm2.5浓度预测方法，其特征在于，所述利用粒子群优化算法确定变分模分解中的两个参数k和α，具体包括：
3.如权利要求2所述的pm2.5浓度预测方法，其特征在于，通过如下公式确定粒子的速度和位置：
4.如权利要求3所述的pm2.5浓度预测方法，其特征在于，通过如下公式计算变分模分解中的包络熵：
5.如权利要求1所述的pm2.5浓度预测方法，其特征在于，所述方法还包括：
6.如权利要求5所述的pm2.5浓度预测方法，其特征在于，通过如下公式计算不同位置点的pm2.5浓度之间的mic系数：
7.如权利要求6所述的pm2.5浓度预测方法，其特征在于，通过如下公式将所述空间权重矩阵与原始矩阵进行矩阵乘法操作，得到不同位置点的pm2.5浓度的空间特征因子：
8.一种pm2.5浓度预测装置，其特征在于，所述装置包括处理器，所述处理器被配置为：
9.一种pm2.5浓度预测系统，其特征在于：所述系统包括：
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。
