(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111175211.5 (22)申请日 2021.10.09 (65)同一申请的已公布的文献号 申请公布号 CN 113901714 A (43)申请公布日 2022.01.07 (73)专利权人 中国人民解 放军国防科技大 学 地址 210000 江苏省南京市江宁区双龙 大 道60号 (72)发明人 汪浩笛　史剑　杜辉　张文　 郭海龙　曾智　张雪艳　 (74)专利代理 机构 北京卓岚智财知识产权代理 事务所 (特殊普通合伙) 11624 专利代理师 时修丽(51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01) 审查员 沈晴 (54)发明名称 基于人工智能的臭氧层预报算法 (57)摘要 本发明公开了基于人工智能的臭氧层预报 算法， 包括以下步骤： S1.建立臭氧浓度监测站 点； S2.收集、 获取历史气象数据； S3.选 取影响因 子； S4.对一天O3‑8h值进行初 步预测； S5.建立新 的超混沌系 统； S6.建立人工神经网络； S7.建立 混沌人工神经网络； S8.利用混沌人工神经网络 进行长短期预报。 本发明有助于简化传统数值天 气预报方法的研究过程， 传统数值天气预报方法 往往比较复杂， 计算要求较高， 本发明采用CANN 操作与其他神经网络的相似之处在于它不依赖 于参数和输出之间的复杂关系， 但它依赖于权值 的不断变化， 使参数与输出紧密关联， 避免了繁 琐的数学建模。 权利要求书4页 说明书8页 附图1页 CN 113901714 B 2022.08.23 CN 113901714 B 1.基于人工智能的臭 氧层预报算法， 其特 征在于， 包括以下步骤： S1.建立臭氧浓度监测站点： 选取对周围环境和活性污染物的排放没有影响的位置作 为臭氧浓度监测站点； S2.收集、 获取历史气象数据： 获取每一臭氧浓度监测站点历史每天的日浓度数据、 每 一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天 对应的参考结果， 所述每一臭氧浓度监测站 点历史每天对应的参考结果为每一臭氧浓度监 测站点历史每天预测的日浓度数据与每一臭 氧浓度监测站点历史每天的日浓度数据之差； S3.选取影响因子： 选取昨日O3‑8h值、 PM2.5日均浓度、 NO2日均浓度、 预测的日平均气 压、 日平均风速和日平均气温作为影响因子； S4.对一天O3‑8h值进行初步预测： 通过拟合的方式， 将气象参数的预测值和实测值代入 预测方程中， 通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3‑8h值进行 预测； S5.建立新的超混沌系统： 提出新的超混沌系统及其相应的复杂系统， 以生成神经网络 输入层和隐含层之间的连接 权重值、 隐含层中的神经 元阈值， 实现更好的预测结果； S6.建立人工神经网络： 网络分为三个部分： 输入层， 隐藏层和输出层， 在网络中， 输入 层， 隐藏层和输出层的神经 元完全连接； S7.建立混沌人工神经网络： 所述混沌人工神经网络是将新的超混沌系统与人工神经 网络混合， 且所述混沌人工神经网络是通过人工神经网络、 BP和多元线性回归模型对臭氧 浓度进行 预测； S8.利用混沌人工神经网络进行长短期预报。 2.根据权利要求1所述的基于人工智能的臭氧层预报算法， 其特征在于： 所述S1中的污 染物浓度数据包括二 氧化硫SO2、 二 氧化氮NO2、 O3、 O3‑8h、 空气动力学直径为2.5微米或更小 的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10 。 3.根据权利要求1所述的基于人工智能的臭氧层预报算法， 其特征在于： 所述S2中收 集、 获取历史气象数据还包括获取每一臭氧浓度监测站 点的任一历史时刻 对应的点源排放 特征， 所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获 取： S101.获取敏感区域， 所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接 壤的所有城市； S102.将所述敏感区域划分为若干个相同的矩形， 获取所述每一矩形对应的点源排放 子特征， 根据所述每一矩形的点源排 放子特征， 获得所述点源排放特征。 4.根据权利要求1所述的基于人工智能的臭氧层预报算法， 其特征在于： 所述S4中通过 拟合的方式的拟合的预测方程 为： 其中， c为要预测的那一天的O3‑8h预测值， x1， x2， ……， x6分别表示要预测那一天的NO2 平均浓度、 平均气温、 平均气压、 平均风速、 PM2.5平均浓度的预测值， 以及要预测那一天的权　利　要　求　书 1/4 页 2 CN 113901714 B 2昨日O3‑8h的预测值或实测值， a0， a1， ……， a6是回归系数。 5.根据权利要求1所述的基于人工智能的臭氧层预报算法， 其特征在于： 所述S5 中的新 的超混沌系统由以下公式描述： 其中， a、 b、 c和d表示实常数， 而ξ1、 ξ2、 ξ3和 ξ4表示实变量， 符号上的点表示相对于时间 t的导数； 相应的超混沌复杂系统由下式给 出： 其中， η1＝u1+ju2， η2＝u3+ju4， η3＝u5， η4＝u6+ju7表示复变量， j＝ ‑1‑0.5， 变量上方的 条形代表变量的复共 轭； 系统的真实版本如下：权　利　要　求　书 2/4 页 3 CN 113901714 B 3