检索结果-南通市图书馆

基于BP神经网络和随机森林的空气污染物浓度预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BP神经网络和随机森林的空气污染物浓度预测研究

作者：刘银超燕山大学

学位级别：硕士

工业文明和城市发展在为人类创造巨大财富的同时,也把数十亿吨的废气废物排入到大气当中。当大气中的有害气体达到一定浓度时,就会对人类的身心健康带来巨大的影响。然而随着近几年城市规模的不断扩大、工业化进程的加快和人口的不断增... 详细信息

工业文明和城市发展在为人类创造巨大财富的同时,也把数十亿吨的废气废物排入到大气当中。当大气中的有害气体达到一定浓度时,就会对人类的身心健康带来巨大的影响。然而随着近几年城市规模的不断扩大、工业化进程的加快和人口的不断增加,空气质量问题在中国各地频繁出现,从而引起人们的广泛关注。人们对提前了解未来空气质量状况的愿望越来越强烈。基于此背景下,本文以某市主要大气污染物为研究对象,将研究方向分为空间因素对空气质量的影响和时间因素对空气质量的影响,通过数据驱动的方式预测监测站点未来一小时的污染物浓度。利用机器学习深入、系统的对现有空气质量数据进行挖掘分析和实验研究。本文的主要工作包括以下几方面:首先,进行特征提取,主要包括空间相关因素(如兴趣点特征和路网特征)和时间相关因素(如温度、天气等),为本文的研究和解决普遍存在的空气质量预测问题提供了帮助。其次,针对空间数据特征中的兴趣点特征和路网特征维数较多的问题,通过计算皮尔森相关系数的方法来减少算法的输入指标,从而减少模型训练的代价。再次,根据提取到的时空特征,分别建立起基于BP神经网络的空间预测模型和基于随机森林(Random Forest,RF)的时间预测模型。并针对BP神经网络容易出现过拟合的问题,提出动态改变网络模型结构的方法来提高算法的泛化能力。并实现基于Spark的并行化神经网络算法和随机森林算法。最后,通过时空模型预测每一个监测站点各种污染物未来一小时的浓度,然后利用评估标准对本文提出的基于时空模型的预测进行评估,结果表明本文的预测模型准确率高于传统的神经网络算法和随机森林算法的预测准确率。

关键词：空气质量预测大气污染物神经网络随机森林

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自然梯度提升的概率预测研究

基于自然梯度提升的概率预测研究

作者：梁爽大连理工大学

学位级别：硕士

在现实世界中,我们所接触过的许多受监督的机器学习问题,都具有表格特征和实值目标。但是在其中一些问题上,比如在处理医疗保健、天气预报等任务时,预测的不确定性估计往往至关重要。概率预测(一种模型在整个结果空间上输出完整概率分... 详细信息

在现实世界中,我们所接触过的许多受监督的机器学习问题,都具有表格特征和实值目标。但是在其中一些问题上,比如在处理医疗保健、天气预报等任务时,预测的不确定性估计往往至关重要。概率预测(一种模型在整个结果空间上输出完整概率分布的方法)是量化那些不确定性的自然方法。梯度提升机(GBM)已经在结构化输入数据的预测任务中取得了广泛的成功,但是目前还没有一种用于对实值输出进行概率预测的简单提升解决方案。在本文中,我们尝试采用自然梯度提升(NGBoost)方法,它通过将自然梯度引入梯度提升机,解决目前难以实现的概率预测问题。在本文的理论知识部分,我们介绍了自然梯度提升方法是模块化的,结构中的基学习器、概率分布和评分规则都是可以自由选择的。我们基于对数评分规则(MLE),借助信息论中的KL散度以衡量分布之间的差异,并由此引出自然梯度的概念,定义了迭代算法中参数的搜索方向。在本文的模拟实验部分,我们利用北京市奥体中心站点观测到的空气中SO含量数据进行空气质量的概率预测。我们对算法中基学习器的选择进行了改进,通过调用岭回归、支持向量回归、回声状态网络模型解决回归任务中的概率预测问题。同时,我们利用原始的梯度提升机进行回归预测。通过对比两种梯度算法下模拟实验的效果,我们可以发现,对于概率预测问题,使用自然梯度进行模型提升,将在实际应用中具有良好的表现。

关键词：概率预测 KL散度自然梯度提升空气质量预测模型对比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

大数据背景下预测研究及实例分析

大数据背景下预测研究及实例分析

作者：王恺祺北京化工大学

学位级别：硕士

在大数据时代,各种因素(尤其是气象因素)已被应用到PM浓度预测中,并揭示了时间尺度上的明显差异。为了捕捉与PM相关因素复杂的多尺度关系,提出了一种新的多因子多尺度预测方法。采取了三个主要步骤:(1)多因素分析,通过统计检验选择预测... 详细信息

在大数据时代,各种因素(尤其是气象因素)已被应用到PM浓度预测中,并揭示了时间尺度上的明显差异。为了捕捉与PM相关因素复杂的多尺度关系,提出了一种新的多因子多尺度预测方法。采取了三个主要步骤:(1)多因素分析,通过统计检验选择预测因素;(2)多尺度分析,通过多元经验模态分解提取尺度对齐分量;(3)PM预测,包括每个时间尺度的个体预测和跨不同时间尺度的整体预测。实证一研究的重点是沧州的PM,沧州是中国空气污染最严重的城市之一,并表明拟议的多因素和多尺度学习范式在统计上优于其相应的原始技术(无多因素和多尺度分析),半改进变体(具有多因素分析或多尺度分析)以及相似的对应模型(具有其他多尺度分析)。实证二研究的重点是印度首都新德里的PM,详尽的介绍了所构建的考虑了谷歌趋势的多因子多尺度模型。同时,将模型与其他基准模型,即原始型(无多因素和多尺度分析)、无谷歌趋势的半改进变体(具有多因素分析或多尺度分析)、考虑谷歌趋势的半改进变体(具有多因素分析或多尺度分析)和无谷歌趋势的多因素多尺度模型做了系统性的比较分析,实证结果表明:使用本文提出的考虑了谷歌趋势的多因子多尺度模型再PM预测方面取得不错的结果。

关键词：空气质量预测多尺度分析气象因素谷歌趋势多元经验模态分解

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于序列模型的空气污染物浓度预测方法研究

基于序列模型的空气污染物浓度预测方法研究

作者：陈泽川北京交通大学

学位级别：硕士

近年来,随着工业化进程的不断加快,空气污染问题愈发严重,已经成为各个国家亟待解决的问题。各国政府纷纷采取应对措施,除了从源头上减少污染气体排放之外,许多大城市纷纷建立了空气质量观测站点来进行实时的监测。为了预警极端雾霾天气... 详细信息

近年来,随着工业化进程的不断加快,空气污染问题愈发严重,已经成为各个国家亟待解决的问题。各国政府纷纷采取应对措施,除了从源头上减少污染气体排放之外,许多大城市纷纷建立了空气质量观测站点来进行实时的监测。为了预警极端雾霾天气,指导市民的室外活动与出行规划,对空气质量进行预测亦十分重要。然而目前空气质量预测问题存在着多源数据交叉干扰,误差累积等问题,此外,人们最关心的长期空气质量预测以及极端天气预警仍然充满挑战。针对以上问题,作者分别提出了两种基于注意力机制的深度学习序列模型,论文的主要工作以及创新点如下所述:(1)提出了一种基于时间注意力机制的编码器连接模型。为了捕获多元序列间的相关关系,作者在编码器阶段使用两种不同的编码器增强学习特征的能力,此外作者还在解码器阶段引入了时间注意力机制捕获序列本身的长时间步依赖。该方法为空气质量预测中的单步时间预测问题提供了有效的解决方案。(2)进一步提出了一种基于极端值注意力机制的深度学习模型(EvaNet)。在编码器部分创新性的引入极端值注意力对极端值这一序列中的关键部分增强关注,结合数据预处理得到的增强多源数据之间特征捕获的分组以及协助计算注意力分数的极端值序列进行编码,在解码阶段沿用了时间注意力机制捕获长时间步的依赖。该方法在空气质量长期预测问题中取得了显著效果。上述模型在两个真实世界城市(福州和北京顺义区)的数据集上,针对PM2.5这一衡量空气质量的重要指标进行了评估。实验表明,使用评价指标RMSE与MAE,两种模型在福州数据集中,分别优于传统回归方法超74%与42%,优于现有深度学习方法超2.8%与14%,在北京顺义区数据集中,分别优于传统回归方法超68%与56%,优于现有深度学习方法超9.7%与5.0%。

关键词：多源时间序列预测空气质量预测深度学习注意力机制

基于数据挖掘的工业城市大气数据分析及预测平台

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据挖掘的工业城市大气数据分析及预测平台

作者：王靖涵北京邮电大学

学位级别：硕士

改革开放四十年来,经济高速发展的同时也使得环境质量问题日益严重,目前我国尤其是工业城市面临十分严峻的大气污染问题。实现大气数据分析和空气质量预测对环境保护部门制定政策进行空气污染治理有着重要的支撑作用。现阶段的空气质量... 详细信息

改革开放四十年来,经济高速发展的同时也使得环境质量问题日益严重,目前我国尤其是工业城市面临十分严峻的大气污染问题。实现大气数据分析和空气质量预测对环境保护部门制定政策进行空气污染治理有着重要的支撑作用。现阶段的空气质量在线监测平台仅包含简单的数据报表功能,无法有效利用环境保护部门积累的海量空气质量数据和气象因子数据进行深层次的数据分析和挖掘。现有的数据预测模型存在复杂度高、训练模型使用大气数据来源广泛、服务器资源昂贵等问题,无法满足当前的应用场景。因此建立一个既可以实现海量大气数据分析处理又可以准确预测空气质量污染程度的平台具有重大意义。本论文以扩展现有空气质量监测平台的功能为目标,设计并搭建大气数据分析及预测平台,实现数据获取、数据预处理、分布式数据存储、多样化数据分析和以数据挖掘为基础的空气质量预测功能,平台具有节约资源和集成便捷等优点,为城市环保部门拟定大气污染治理政策提供直观的参照。本论文主要工作和创新点如下:1、调研国内外空气质量预测的发展现状,针对空气质量与气象因子关系和大气污染地域特征进行研究,详细分析大气数据分析及预测平台的需求,针对现有空气质量监测平台对数据深度处理缺失的现状,设计并实现了空气质量预测算法,提升了平台对数据深入挖掘的能力。2、提出并设计了基于大数据和数据挖掘技术的平台架构,搭建了完整的数据获取、处理、存储、分析和预测平台。平台采用了数据层、业务层和应用层三层架构的设计方案,具有高可用、可扩展的特性。3、空气质量预测的关键是选择合适的算法和输入因子,其中输入参数会极大地影响预测准确性,本文引入气象因子风速作为输入参量进行模型训练,不仅表现出气象因子对空气预测的重要意义还能够提高预测的准确性。4、设计并实现了大气数据分析及预测平台的主要功能模块,包括数据获取模块、数据预处理模块、数据存储模块、数据分析模块和空气质量预测模块。实现了数据的分析对比、数据导出、历史数据查询、空气质量预测结果查询等功能,提供直观的可视化页面从而提升用户体验。

关键词：数据挖掘大数据空气质量预测 Hadoop BP神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据驱动的重污染天气调控方案智能决策研究

数据驱动的重污染天气调控方案智能决策研究

作者：焦扬天津大学

学位级别：硕士

近些年来,中国大部分城市的大气环境中悬浮颗粒物污染问题仍较为严重,空气污染防治对保护公共卫生和生态环境至关重要。全国生态环境局在《打赢蓝天保卫战三年行动计划》的指导下,致力于明显降低PM2.5浓度,明显减少重污染天数。然而当... 详细信息

近些年来,中国大部分城市的大气环境中悬浮颗粒物污染问题仍较为严重,空气污染防治对保护公共卫生和生态环境至关重要。全国生态环境局在《打赢蓝天保卫战三年行动计划》的指导下,致力于明显降低PM2.5浓度,明显减少重污染天数。然而当前我国主要城市面对重污染天气,往往根据预警等级采取相应等级的应急预案,无法根据多样化的气象环境灵活调整应急措施,达不到较好的调控效果。为改善这种简单而僵化的重污染天气应急响应方案,本文从数据驱动的角度,研究考虑多因素的动态调控方案决策问题,提出了集成粒子群优化的正则化极限学习机(IELM)算法和进化式粒子群优化(EPSO)算法的决策模型,在适应复杂气象环境的基础上,制定因地制宜的动态调控方案,于一个调控周期内快速降低污染物浓度,同时满足期望经济指标约束。本文研究的技术方案如下:首先,建立空气质量的影响因素模型,确定空气质量的评价指标并分析影响因素,收集并规范化处理相关特征数据,包括当前污染程度、扩散条件和污染物排放特征等三个维度。其次,评估调控方案的减排效果。在综合考虑现时复杂的气象条件和污染程度等多因素的基础上,应用IELM模型预测调控方案在任意调控周期内对改善空气质量的有效性。最后,选择满意的方案。不仅考虑方案的减排效果,还考虑其对经济发展的影响,应用全局优化算法EPSO快速优选调控方案,得到能适应当下气象条件且减排效果和经济效益俱佳的满意方案。本文选择天津市某工业聚集区2017和2018年的数据,通过实验验证了IELM和EPSO算法相对于基线方法具有更优秀的性能,决策模型提出的优选方案有效改善了“一刀切”式调控管理,实现的“一点一策”式动态调控方案能够适应多样化的应用场景,且在保证一定经济水平的同时有效改善大气污染,辅助决策者识别重点行业源,为重污染天气应急响应提供科学的决策支持。

关键词：决策支持大气污染空气质量预测优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

储备池计算模型参数优化方法研究

储备池计算模型参数优化方法研究

作者：高媛媛华北理工大学

学位级别：硕士

回声状态网络采用大规模稀疏连接的储备池作为隐层,且只对输出连接权值进行调整,使整个训练阶段变得简单高效,成为了非线性时间序列预测任务的重要处理方法。然而,传统储备池参数初始化时根据经验随机确定,容易陷入局部最优值,使网络预... 详细信息

回声状态网络采用大规模稀疏连接的储备池作为隐层,且只对输出连接权值进行调整,使整个训练阶段变得简单高效,成为了非线性时间序列预测任务的重要处理方法。然而,传统储备池参数初始化时根据经验随机确定,容易陷入局部最优值,使网络预测性能下降。以回声状态网络为研究对象,从群体智能优化角度研究该模型的参数优化方法,主要研究内容如下:1)针对粒子群优化方法收敛性差,收敛速度慢的问题。提出了基于蚁狮算法的回声状态网络参数优化方法。即利用蚁狮优化算法选择最优的输入权值、储备池内部权值和反馈权值参数,通过蚁狮捕捉蚂蚁的过程来配置权值参数,从而提高网络的预测性能。仿真结果表明,在混沌时间序列预测任务中,对比经典粒子群算法,该模型的非线性逼近性能和收敛速度具有独特优势。2)针对蚁狮优化方法参数较多难以获取最优的问题,提出了基于教与学优化回声状态网络参数方法。利用教与学优化算法选择出部分的输入权值、储备池内部权值和反馈权值参数,通过老师教授和学生互相学习两个阶段来更新权值参数,提高预测性能同时也保留了参数的部分随机性。仿真结果表明,在混沌时间序列预测任务中,对比蚁狮算法和相关粒子群优化方法,该模型的非线性逼近性能、收敛速度和稳定性能方面的具备明显优势。3)针对教与学优化方法的自适应差和收敛慢的问题,对教与学算法的改进方法进行了研究,将精英、自适应教学因子、线性递减学习权重和自我驱动策略与回声状态网络结合,来进一步提高模型的预测性能。仿真结果表明,在混沌时间序列预测任务中,对比传统教与学、蚁狮和相关粒子群算法,改进后的模型在预测精度和收敛速度方面具备独特优势。进一步在空气质量预测任务,验证了其有效性。图23幅;表19个;参45篇。

关键词：回声状态网络参数优化蚁狮优化教与学优化时间序列预测空气质量预测

Elman神经网络在优化空气预报模式结果中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机系统应用 2020年第6期29卷 265-270页

作者：张镝于海飞刘闽杜毅明金继鑫曹吉龙赵思彤中国科学院大学北京100049 中国科学院沈阳计算技术研究所沈阳110168 辽宁省沈阳生态环境监测中心沈阳110000 中国医科大学附属第四医院沈阳110032 沈阳市第二十二中学沈阳110000

空气质量与人们的生活息息相关,空气质量的预测结果是进行空气质量控制的依据.因此,提高空气质量的预测精度是本文研究的重点.CMAQ(Community Multiscale Air Quality modeling system)和CAMx(Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式,其工作原理是通过大气物理化学方法模拟污染物传输转化过程,进而预测空气质量.空气质量数值模式的输入文件质量会影响到空气质量的预测精度,为了提高空气质量预测的准确率,本文提出了一种基于Elman神经网络的优化方法,该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果.首先,运行空气质量模式CMAQ和CAMx得到预测结果,然后对预测结果进行预处理,处理后的预测数据和实测数据一起作为Elman神经网络的输入,进行模型的训练,最后得到神经网络模型.通过对测试数据集的验证和分析,实验结果表明,该方法表现出比单一空气质量数值模式更高的准确率.

关键词： Elman神经网络空气质量模式结果优化空气质量预测污染物浓度

一种前向小波神经网络实现PM_(2.5)浓度的预测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2021年第15期44卷 109-114页

作者：滕达杜景林胡玉杰南京信息工程大学电子与信息工程学院江苏南京210044

PM_(2.5)作为主要的空气污染物,科学有效地预测其浓度能够让人们采取预防措施以减少对人体的伤害。使用传统的方法检测空气中PM_(2.5)的浓度收效甚微且成本高,这是因为PM_(2.5)组成成分复杂,并且其浓度的变化是一种非线性动态过程。因此... 详细信息

PM_(2.5)作为主要的空气污染物,科学有效地预测其浓度能够让人们采取预防措施以减少对人体的伤害。使用传统的方法检测空气中PM_(2.5)的浓度收效甚微且成本高,这是因为PM_(2.5)组成成分复杂,并且其浓度的变化是一种非线性动态过程。因此,进行快速有效的预测PM_(2.5)浓度意义重大。文中采用了具有时域和频域二维信号处理能力且收敛速度较快的前向小波神经网络预测空气中的PM_(2.5)浓度,预处理后的数据输入到网络中进行训练和测试。结果表明,相比于BP和PSO⁃BP神经网络,小波神经网络对PM_(2.5)浓度的预测精度较高,降低了错误率,并且有效地减小了预测偏差,说明该方法用于空气的质量预测是可行的。

关键词： PM_(2.5)浓度前向小波神经网络小波变换非线性关系鲁棒性目标函数母小波层空气质量预测