本发明涉及氡析出监测，尤其涉及一种基于vmd-lstm-elman的露天区域氡析出率预测方法。
背景技术：
1、氡是一种无色、无味的放射性惰性气体，被世界卫生组织列为第二大肺癌诱因，常会在地下工程、矿山井下、旅游山洞、核设施场所、尾矿库以及建材、土壤、地面等表面析出。氡的扩散迁移会对周围环境造成巨大的放射性污染，严重影响人类生命健康，因此，氡的预测预警具有重大意义。
2、针对氡的预测方面，许多学者做了研究。khaled f.al-shboul等人使用全球土壤放射性核素水平和rn-er数据集对模型进行训练和测试，通过人工神经网络(ann)和基因表达编程(gep)模型，与描述性统计的定性结果进行比较，以根据土壤天然放射性核素含量估算氡析出率，发现ann准确度和精确度比性能最佳的gep模型更高。adil aslam mir等人针对不同场景的实时氡时间序列数据采用不同的集成和个体机器学习方法对预测地震活动引起的氡数据异常开展了研究，发现增强树和径向核支持向量机被证明是预测地震活动期间土壤氡气浓度异常的更好的回归模型。adil aslam mir等人在处理土壤氡气浓度(srgc)时间序列数据时，对比了不同方法包括均值、中值、众数、预测均值匹配(pmm)和hot-deck插补等，发现ibfi估算数据集提供了一个更合适的模型，基于ibfi估算时间序列的模型生成和预测会产生更准确的预测。hao duong van等人进行了一项研究，以优化机器学习模型，即人工神经网络(ann)，以准确预测越南的氡扩散，并得出结论，ann表现非常好，以预测性能指标值较低的氡扩散。tran dinh bao等人设计了一种简单的单隐层人工神经网络(ann)模型对含放射性矿山在选矿和开采过程中氡气释放量预测，与应用于sin quyen copperdeposit的两隐层ann、随机森林和支持向量机模型相比，计算成本较低，可以训练、参考并获得最佳效果。
3、但是，上述预测方法中对氡析出的预测并未考虑环境指标对于氡析出率影响的滞后效应，忽略了外界因素，误差较大，难以有效反映氡析出率波动趋势，预测结果精度差，难以指导管理单位进行有效地防氡控氡。
4、有鉴于此，有必要设计一种改进的基于vmd-lstm-elman的露天区域氡析出率预测方法，以解决上述问题。
技术实现思路
1、本发明的目的在于提供一种基于vmd-lstm-elman的露天区域氡析出率预测方法，利用vmd将氡析出率历史数据分解为具有不同物理意义的3组分量，通过选用lstm模型、elman神经网络模型及正态分布模型进行数据训练与预测，准确反映氡的析出规律，并保证预测精度，使其更好地应用于实际的氡析出预测工作中。
2、为实现上述发明目的，本发明提供了一种基于vmd-lstm-elman的露天区域氡析出率预测方法，包括以下步骤：
3、s1、获取待预测区域的历史氡析出率监测数据，构成时间序列的原始数据集；
4、s2、将步骤s1的原始数据集进行归一化处理，采用vmd进行模态分解，分解为具有不同特征信息的3组模态分量；
5、s3、将步骤s2的3组模态分量根据特征信息划分，分别对应选择lstm模型、elman神经网络模型或正态分布模型中的一种进行数据训练与预测；最后将得到的三组预测值按时间序列相加，再进行数据反归一化处理，得到待预测区域的氡析出率预测数值。
6、作为本发明的进一步改进，在步骤s3中，3组模态分量预测的模型选择原则为：具有非线性特性和非周期性的imf1分量采用lstm模型进行预测，具有波动特性和周期性的imf2分量采用elman神经网络模型进行预测，随机分布在0附近且规律性差的imf3分量采用正态分布模型进行预测。
7、作为本发明的进一步改进，imf2分量采用elman神经网络模型进行预测时，同时输入影响氡析出率的外界环境因素作为预测指标。
8、作为本发明的进一步改进，在步骤s2中，采用vmd进行模态分解时，先构造变分模型，再引入增广lagrangian函数将约束变分问题转变为非约束变分问题进行求解，并运用乘子交替方向算法进行迭代更新，直至满足收敛条件式，输出模态分量。
9、作为本发明的进一步改进，采用lstm模型对imf1分量进行预测的过程如下：
10、输入门：记忆目前状态的信息，计算输入门it的值和在t时刻输入细胞的候选状态值
11、it＝σ·(wi·[ht-1,xt]+bi) (1)
12、
13、式中：wi,wc代表相应的权重，bi与bc代表相应的偏置；
14、遗忘门：控制遗忘的信息，计算在t时刻遗忘门的激活值ft：
15、ft＝σ·(wf·[ht-1,xt]+bf) (3)
16、式中：wf,bf分别表示遗忘门的权重和偏置，σ表示relu函数；
17、更新细胞状态：根据输入门和遗忘门的计算结果，得到t时刻的细胞状态更新值ct：
18、
19、输出门：控制输出的信息，根据细胞状态更新值ct得出输出门ot的计算公式：
20、ot＝σ·(wo·[ht-1,xt]+bo) (5)
21、ht＝ot*tanh(ct) (6)
22、式中：wo和bo代表输出门的权重和偏置，ht为当前时刻的最终输出结果，输出结果构成预测值y1序列。
23、作为本发明的进一步改进，采用elman神经网络模型对imf2分量进行预测时，elman神经网络的数学模型为：
24、
25、式中：k为当前时刻状态，y(k),x(k),u(k-1),xc(k)分别为m维输出节点向量、n维中间层节点单元向量，r维输入向量和n维反馈状态向量，ω3，ω2，ω1分别为隐含层到输出层、输入层到隐含层、连接层到隐含层的连接权值，bi为隐含层和输出层的阈值，g(·)为输出神经元的激励函数，采用tan-sigmoid函数，f(·)为隐含层神经元的传递函数，采用sigmoid函数；
26、elman神经网络采用误差平方和函数作为学习指标函数，
27、
28、式中：为目标输出向量，构成预测值y2序列。
29、作为本发明的进一步改进，采用正态分布模型对imf3分量进行预测时，先对imf3分量进行正态分布类型检验，并计算imf3分量的均值μ与标准差σ，再采用正态分布的概率密度函数公式，计算给定imf3分量数据点x的概率密度函数值f(x)，利用这些概率密度函数值生成一组预测值y3序列：
30、
31、式中：f(x)是在x处的概率密度，μ是均值，σ是标准差。
32、作为本发明的进一步改进，采用vmd进行模态分解的过程如下：
33、
34、式中：x为归一化处理后的原始数据集；k为固有模态分解个数3；δ(t)为脉冲函数；*为卷积符号；{ωk}＝{ω1,…,ωk}为模态函数的中心频率；{uk}＝{u1,…,uk}为分解后的模态分量；
35、引入增广lagrangian函数将上述约束变分问题转变为非约束变分问题求解，则式(11)转换如下：
36、
37、式中：α为二次惩罚因子；λ为拉格朗日乘子；
38、运用乘子交替方向算法迭代更新uk,ωk及λ：
39、
40、
41、
42、式中：γ为更新因子；
43、直至满足收敛条件式(15),输出最终模态分量；
44、
45、式中：e＞0为判别精度。
46、作为本发明的进一步改进，所述预测指标包括累积降雨量、日均温及日温差，考虑所述预测指标数值对氡析出的影响均具有滞后性，将第t天的环境数据作为第t+1天的预测指标输入模型。
47、本发明的有益效果是：
48、1、本发明的基于vmd-lstm-elman的露天区域氡析出率预测方法，首先利用vmd将氡析出率历史数据分解为具有不同物理意义的3组分量，既抑制了信号中的噪声成分，避免模态混叠现象，又很好地将氡析出过程中主要特征分离，有助于后续进行针对性预测，能够有效的提高预测的准确性；再通过选用lstm模型、elman神经网络模型及正态分布模型进行数据训练与预测，准确反映氡析出的析出规律，并保证了更好的预测精度，本发明通过联合采用vmd、lstm、elman建立氡析出率预测模型，特别考虑了环境指标对于氡析出率影响的滞后效应，将氡析出率数值曲线进行分解并预测其变化趋势，适用于对露天场所的氡析出进行预测，为氡防控与环境治理提供了指导。
49、2、本发明在对具有不同特征信息的3组分量进行预测时，具有趋势性和非周期性的分量利用长短期记忆神经网络模型(lstm)进行预测，能够准确捕捉序列中长期和短期的依赖关系，有利于预测长期氡析出趋势；具有波动特性和周期性的分量利用elman神经网络模型进行预测，同时考虑了环境指标对氡析出率影响的滞后效应，elman神经网络由于具有多层结构、非线性激活函数和反馈连接，可以更好地捕捉数据之间的复杂非线性关系，能够更接近真实地反应环境指标对氡析出的影响；随机波动没有明显趋势的分量作为噪声部分，频率符合正态分布类型，采用正态分布模型来进行预测，减小了预测模型的误差。相较于单一模型，本发明提出的vmd-lstm-elman复合模型预测结果更接近实际氡析出情况，不仅体现了氡析出率的总体趋势和非线性特性，还充分考虑了随机性和不确定性，通过减小模型误差的离散度和波动范围提高了预测模型稳定性。
1.一种基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，在步骤s3中，3组模态分量预测的模型选择原则为：具有非线性特性和非周期性的imf1分量采用lstm模型进行预测，具有波动特性和周期性的imf2分量采用elman神经网络模型进行预测，随机分布在0附近且规律性差的imf3分量采用正态分布模型进行预测。
3.根据权利要求2所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，imf2分量采用elman神经网络模型进行预测时，同时输入影响氡析出率的外界环境因素作为预测指标。
4.根据权利要求1所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，在步骤s2中，采用vmd进行模态分解时，先构造变分模型，再引入增广lagrangian函数将约束变分问题转变为非约束变分问题进行求解，并运用乘子交替方向算法进行迭代更新，直至满足收敛条件式，输出模态分量。
5.根据权利要求2所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，采用lstm模型对imf1分量进行预测的过程如下：
6.根据权利要求3所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，采用elman神经网络模型对imf2分量进行预测时，elman神经网络的数学模型为：
7.根据权利要求2所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，采用正态分布模型对imf3分量进行预测时，先对imf3分量进行正态分布类型检验，并计算imf3分量的均值μ与标准差σ，再采用正态分布的概率密度函数公式，计算给定imf3分量数据点x的概率密度函数值f(x)，利用这些概率密度函数值生成一组预测值y3序列：
8.根据权利要求4所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，采用vmd进行模态分解的过程如下：
9.根据权利要求3所述的基于vmd-lstm-elman的露天区域氡析出率预测方法，其特征在于，所述预测指标包括累积降雨量、日均温及日温差，考虑所述预测指标数值对氡析出的影响均具有滞后性，将第t天的环境数据作为第t+1天的预测指标输入模型。
