买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽工业大学申请的专利一种高鲁棒性的大气污染物浓度综合预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115526298B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211269650.7，技术领域涉及：G16C20/20；该发明授权一种高鲁棒性的大气污染物浓度综合预测方法是由陶陶;汪福生;张思涵;孙晨;郑啸;薛希玲设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种高鲁棒性的大气污染物浓度综合预测方法在说明书摘要公布了：本发明公开了一种高鲁棒性的大气污染物浓度综合预测方法，属于污染物浓度预测技术领域。本发明以气象环境监测站获取的多种环境数据为原始数据，采用K‑means思想和平滑填补法处理缺失值和异常值，使数据在填补影响下依然具备高准确性；采用特征工程进行训练数据的特征筛选；并行训练神经网络算法和具有随机性的随机森林、迭代决策树算法并产生初始预测结果；以真实数据为标准，动态搜索随机森林、迭代决策树、神经网络预测结果的最优组合权重；以最优组合权重组合预测结果，得到最后综合预测模型的污染物预测结果。本发明可以保证在原始数据质量存在缺失污染时，通过数据清洗和组合方法仍可以产生一个高精度的预测结果。

本发明授权一种高鲁棒性的大气污染物浓度综合预测方法在权利要求书中公布了：1.一种高鲁棒性的大气污染物浓度综合预测方法，其特征在于，其步骤为： 步骤1、获取预测空间范围内的环境属性原始数据，一个时间点对应一条数据，每一条数据用P＝[p1,p2,……,pn]表示，其中n为数据中属性个数，p1到pn为具体属性； 步骤2、清洗原始数据，采用不同方法处理原始数据中异常值和缺失值； 步骤3、在经过数据清洗后，计算数据中所有属性特征的方差值，移除方差低于指定阈值的属性特征，得到每一条数据为m个属性的数据集P＝[p1,p2,……,pm]，其中mn； 步骤4、使用步骤3得到的训练集并行训练随机森林、迭代决策树、神经网络模型，确定模型参数并产生初步预测结果； 训练随机森林的过程为： 在训练集中有放回的随机选择N个数据样本，利用该N个数据样本来训练一个决策树，作为决策树根节点处的样本；每个样本有Q个属性，在决策树的每个节点需要分裂时，随机从这Q个属性中选取出q个属性，满足条件qQ；然后从这q个属性选择1个信息增益大的属性作为该节点的分裂属性，信息增益的程度用信息熵的变化程度来衡量；选取在该节点上的最优特征进行分裂，从而对训练集不断分裂直至生成一颗完整的决策树；重复上述步骤，直到产生指定数量的决策树，将这些树组合便形成了最后的随机森林模型； 训练迭代决策树模型的过程为： 在训练集中初始化f0x的取值，这个值可以使得第0步模型的损失函数取最小值；在决策树个数从1到T过程中计算残差Rt，在得到残差Rt后，拟合学习出一颗决策回归树，得到第t个决策树的参数θt，使得损失函数最小化；不断更新模型，直到产生T个决策树；得到最后的迭代决策模型； 训练神经网络模型的过程为： 将训练数据传入BN层进行处理，接着数据由输出层传入隐含层的线性层，其包含12个神经元，对应数据预处理过程后数据保留的特征数量；采用ReLU激活函数层对数据进行处理，之后连接了一个包含60个神经元的线性层，输出层获得隐含层传入的三维数据并使用ReLU激活函数进行再处理，输出预测结果； 步骤5、选取真实数据为数据标准，绝对平均误差为评判标准，以最小化绝对平均误差为目标进行由权重0到1的权重网格搜索，从而确定随机森林、迭代决策树、神经网络模型各自组合权重； 步骤6、按照网格搜索到的最优权重对随机森林、迭代决策树和神经网络进行组合，从而产生综合预测模型下的预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽工业大学，其通讯地址为：243002 安徽省马鞍山市湖东路59号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。