一种PM

技术领域

本发明属于环境保护技术领域，更具体地，涉及一种PM

背景技术

现如今，经济快速发展的同时，我国也出现了严重的空气污染。在所有排放的污染物中，气溶胶颗粒对空气质量的影响尤其显著。人类对于PM

然而，当前针对PM

发明内容

本发明通过提供一种PM

本发明提供一种PM

步骤1、采集获取PM

步骤2、对PM

步骤3、基于LGBM算法构建PM

步骤4、通过所述训练集对所述PM

优选的，所述步骤1中，所述PM

优选的，通过WRF-CHEM将获取的中国多分辨排放清单模型进行PM

优选的，所述地理位置包括归一化差异植被指数、数字高程模型中的一种或多种指标；所述气象条件包括地表相对湿度、空气温度、风速、表面压力、边界层高度中的一种或多种指标；所述气溶胶光学厚度的数据来自于Himawari-8三级每小时数据集，并采用置信度标识为“非常好”的数据样本。

优选的，所述步骤2中，计算每个PM

优选的，所述步骤3中还包括：通过随机参数搜索法对LGBM算法的基本参数进行优化。

优选的，所述LGBM算法使用梯度提升决策树，所述LGBM算法的基本参数包括：最优叶权重、叶子数、树的最大深度、特征抽样值。

另一方面，本发明提供一种PM

数据采集模块，用于采集获取PM

相关性分析模块，用于对PM

模型构建模块，用于基于LGBM算法构建PM

拟合预测模块，用于通过所述训练集对所述PM

所述PM

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

(1)本发明基于机器学习的LGBM算法设计出一种高精度浓度预测模型实现对PM

(2)本发明开创性地提出将PM

(3)本发明使用随机搜索调参优化构建了一个高精度的预测模型，基于调参优化能够进一步提高PM

附图说明

图1为本发明实施例1提供的一种PM

图2为本发明实施例1提供的一种PM

图3为本发明实施例1提供的一种PM

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

实施例1提供了一种PM

步骤1、采集获取PM

其中，所述PM

具体的，可通过WRF-CHEM将获取的中国多分辨排放清单模型进行PM

获得的PM

由于PM

所述地理位置包括归一化差异植被指数、数字高程模型中的一种或多种指标；所述气象条件包括地表相对湿度、空气温度、风速、表面压力、边界层高度中的一种或多种指标；所述气溶胶光学厚度的数据来自于Himawari-8三级每小时数据集，并采用置信度标识为“非常好”的数据样本。

全国范围内的地理位置数据与气象条件数据可以通过卫星观测获得，气溶胶光学厚度数据通过卫星遥感的方法获得，PM

例如，为了获取实际监测站点的PM

步骤2、对PM

具体的，计算每个PM

具体实施时，根据公式(1)分别将PM

其中，X

本实施例通过判断相关系数是否达到要求范围的参数，进而确定机器学习Boosting的输入参数。

步骤3、基于LGBM算法构建PM

优选的方案中还包括：通过随机参数搜索法对LGBM算法的基本参数进行优化。所述LGBM算法使用梯度提升决策树，所述LGBM算法的基本参数包括：最优叶权重、叶子数、树的最大深度、特征抽样值等。

参见图3，此步骤中，针对LGBM机器学习方法设置输入、输出，使用随机参数搜索法对LGBM算法的基本参数进行优化的具体实现方式如下：

Boosting的初始化阶段采用的是无返回抽样从训练样本中随机抽取一个子集，是一种有依赖的串行的机器学习。输入由PM

LGBM使用Histogram(直方图)做差加速，采用Leaf-wise的增长策略。LGBM算法需要设置树结构的选择、调整梯度下降的补偿、设置合适的最大迭代次数。算法优化了一个最大深度的限制参数，在保证高效率的同时防止过拟合。

使用随机搜索调参实现对LGBM的参数调整，使得机器学习的算法参数最优。这种调参方法是在机器学习的某一些区间内，随机产生一系列的随机点，然后通过计算这些点的目标函数以及约束函数的值。然后进一步的比较这些值，将满足约束条件的随机点摘出，然后比较他们与目标函数的值，删除差别大的点，保留比较结果好的点，从而通过不断的比较得到参数最优解的近似解。这种方法是以概率论理论为基础的，产生随机点越多获得的解就越接近于最优解。通过这种方法优化LGBM的参数，使其参数性能有较好的提高。

为了更好的理解本发明，下面对此步骤做进一步的说明。

使用随机参数搜索法进行LGBM参数的优化。将所有输入的PM

对LGBM机器学习模型的参数进行调节，对其最优叶权重进行调整，同时设置限制参数防止模型过拟合。LGBM核心参数选择boosting使用传统的梯度提升决策树；叶子数为300，防止了过拟合；树深为9，提升决策树拟合性能；特征抽样值为0.92，从而在每次迭代中随机选择部分特征进行迭代，提高迭代拟合的性能。

步骤4、通过所述训练集对所述PM

参见图2，本发明将数据划分为训练集和测试集，进行十倍交叉验证；基于训练集，LGBM算法训练拟合数据，得到训练模型；根据训练模型预测测试集数据，计算实际值(即预测值)与真实值之间的相差指标，评估拟合结果。

预测时，将PM

实施例2：

实施例2提供了一种PM

数据采集模块，用于采集获取PM

相关性分析模块，用于对PM

模型构建模块，用于基于LGBM算法构建PM

拟合预测模块，用于通过所述训练集对所述PM

实施例2提供的所述PM

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。