检索结果-南通市图书馆

农业灾害研究 2023年第4期13卷 125-128页

作者：史江振窦燕新疆财经大学统计与数据科学学院新疆乌鲁木齐830012

随着社会的发展和公众环保意识的增强,空气质量日益成为公众关注的问题。预测未来空气质量情况,有利于提前采取污染防治措施和居民活动选择。以污染物因素和气象因素作为空气质量指数预测指标,建立基于Stacking融合的预测模型,利用新疆... 详细信息

随着社会的发展和公众环保意识的增强,空气质量日益成为公众关注的问题。预测未来空气质量情况,有利于提前采取污染防治措施和居民活动选择。以污染物因素和气象因素作为空气质量指数预测指标,建立基于Stacking融合的预测模型,利用新疆乌鲁木齐市2016年1月至2021年12月的空气污染物监测数据和气象数据,对乌鲁木齐市空气质量情况进行了预报,并与其他算法进行了对比。研究结果表明:Stacking融合模型在AQI数值预测方面的性能优于其他对比模型,具有良好的预测效果。

关键词：空气质量预测 Stacking融合模型空气质量指数

基于烟花进化人工鱼群算法和多重分形的属性选择方法在空气质量预测中应用

在线全文

学校读者我要写书评

暂无评论

系统科学与数学 2020年第7期40卷 1157-1177页

作者：夏平凡倪志伟朱旭辉合肥工业大学管理学院合肥230009 合肥工业大学过程优化与智能决策教育部重点实验室合肥230009

日益严重的空气污染,严重影响日常生产生活.因此,亟需对空气质量进行预测.为了实现高效、科学的预测,需准确地选择出空气质量数据集中的关键影响因素,故提出了基于烟花进化人工鱼群算法和多重分形的属性选择方法,并应用于空气质量预测中... 详细信息

日益严重的空气污染,严重影响日常生产生活.因此,亟需对空气质量进行预测.为了实现高效、科学的预测,需准确地选择出空气质量数据集中的关键影响因素,故提出了基于烟花进化人工鱼群算法和多重分形的属性选择方法,并应用于空气质量预测中.首先,采用混沌初始化方式生成初始种群,对人工鱼群算法进行离散化改进,并引入烟花进化机制,提出烟花进化人工鱼群算法(FEAFSA),提高算法的搜索效率;其次,融合FEAFSA和多重分形维数(MFD),对空气质量数据集进行属性选择,约简冗余、不相关属性,保留空气质量关键属性;最后,在8个UCI数据集上的实验结果表明,相较于其他属性选择方法,其能有效剔除冗余因素,性能更优,同时表明其有效性、稳定性和显著性.在进行性能测试之后,将其应用于北京、上海和广州地区的空气质量等级和指数预测中,取得了良好的预测效果.

关键词：人工鱼群算法烟花进化多重分形属性选择空气质量预测

在线全文

学校读者我要写书评

暂无评论

基于GA-ANN改进的空气质量预测模型

环境科学研究 2009年第11期22卷 1276-1281页

作者：赵宏刘爱霞王恺白志鹏南开大学环境科学与工程学院天津300071 国家环境保护城市空气颗粒物污染防治重点实验室天津300071 南开大学信息技术科学学院天津300071 天津市气象科学研究所天津300074

基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用.设计了将遗传算法和神经网络算法相结合的基于GA-ANN的空气质量预测模型,并利用天津市2003—2007年气象和污染物监测资料... 详细信息

基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用.设计了将遗传算法和神经网络算法相结合的基于GA-ANN的空气质量预测模型,并利用天津市2003—2007年气象和污染物监测资料对该模型进行验证.对2007年全年的ρ(SO2),ρ(NO2)和ρ(PM10)进行预测,预测值与实测值的相关系数分别为0.899 6,0.828 3和0.600 0.与一般的人工神经网络预测模型相比较,GA-ANN模型将空气质量等级预报的准确率从77.57%提高到79.67%.GA-ANN模型可结合其他方法进行日常空气质量预报.

关键词：遗传算法神经网络空气质量预测空气污染指数

在线全文

学校读者我要写书评

暂无评论

基于预测数据特征的空气质量预测方法

山东大学学报（工学版） 2020年第2期50卷 91-99页

作者：高铭壑张莹张蓉蓉黄子豪黄琳焱李繁菀张昕王彦浩华北电力大学控制与计算机工程学院北京102206 长春理工大学计算机科学技术学院吉林长春130022

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机... 详细信息

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。

关键词：预测数据融合高维统计特征空气质量预测机器学习

在线全文

学校读者我要写书评

暂无评论

基于时空相似LSTM的空气质量预测模型

计算机应用研究 2021年第9期38卷 2640-2645页

作者：方伟朱润苏江南大学江苏省模式识别与计算智能工程实验室江苏无锡214122

由传统机器学习方法组成的空气质量预测模型得到了普遍应用,但是此类模型对于数据有效性,特别是时空相关数据的选取仍旧存在不足。针对深度学习输入数据有效性问题进行研究,提出了一种基于时空相似LSTM的预测模型(spatial-temporal simi... 详细信息

由传统机器学习方法组成的空气质量预测模型得到了普遍应用,但是此类模型对于数据有效性,特别是时空相关数据的选取仍旧存在不足。针对深度学习输入数据有效性问题进行研究,提出了一种基于时空相似LSTM的预测模型(spatial-temporal similarity LSTM model,STS-LSTM),以便在时间和空间层面选取更加有效的数据。STS-LSTM分为前序、中序和后序三个模块,前序模块为时空相似选择输入模块,提出了格兰杰因果权重动态时间折叠(Granger causal index weighted dynamic time warping,GCWDTW)算法,用于选取具有更高时空相似性的数据;中序模块使用LSTM作为深度学习网络进行训练;后序模块根据目标站点特征选择不同的输出组合进行集成。STS-LSTM整体模型在空气质量预测误差上较现有算法提升了8%左右,经过有效性选取的数据对于模型精度达到了最高21%的提升。实验结果表明,对于有效数据的选取该算法取得了显著效果,将数据输入输出方法作为应用型深度学习网络的一部分,可以有效提升深度学习网络的最终效果。

关键词： LSTM 格兰杰因果动态时间折叠时空相似性空气质量预测

大数据背景下采用互信息与随机森林算法的空气质量预测

在线全文

学校读者我要写书评

暂无评论

环境工程 2019年第3期37卷 180-185页

作者：杨正理史文陈海霞王长鹏三江学院机械与电气工程学院南京210012

为了实现城市空气质量的精准预测,针对与城市空气质量预测相关的大数据种类多、规模大、维度高和生成速度快等特点,在研究城市不同区域空气质量评价指标的基础上,提出不同区域空气质量子空间聚类分析方法,挖掘不同区域空气质量的特征。... 详细信息

为了实现城市空气质量的精准预测,针对与城市空气质量预测相关的大数据种类多、规模大、维度高和生成速度快等特点,在研究城市不同区域空气质量评价指标的基础上,提出不同区域空气质量子空间聚类分析方法,挖掘不同区域空气质量的特征。通过对不同区域进行群体划分,并利用互信息矩阵从城市功能、地形、气象条件等方面辨识与不同区域空气质量相关联的因素,构建基于随机森林算法的城市空气质量预测模型。该方法可以有效识别城市不同区域空气质量的强关联因素,避免由于关联因素的差异性对空气质量预测造成的不利影响。仿真结果表明:该方法适用于大数据的分析与处理,并具有较高的预测精度。

关键词：大数据关联因素辨识互信息随机森林空气质量预测云计算

面向高精度与强鲁棒的空气质量预测LSTM模型研究

在线全文

学校读者我要写书评

暂无评论

统计与决策 2019年第16期35卷 49-53页

作者：石晓文蒋洪迅中国人民大学信息学院

文章提出一种基于长短时记忆网络(LSTM)空气质量预测模型,具备递归记忆任意长度时间窗历史数据的能力,特别适用于上述特征的时间序列预测。通过与应用支持向量机、反向传播神经网络、多元线性回归所建立的模型进行了的多重对比实验,表明... 详细信息

文章提出一种基于长短时记忆网络(LSTM)空气质量预测模型,具备递归记忆任意长度时间窗历史数据的能力,特别适用于上述特征的时间序列预测。通过与应用支持向量机、反向传播神经网络、多元线性回归所建立的模型进行了的多重对比实验,表明LSTM预测模型在空气质量指数低于200时具有更高的预测精度、在35个检测站预测时具有更强的泛化能力,以及5种变长时间窗数据输入条件下具有更好的稳健性等优点。

关键词：空气质量指数 LSTM 空气质量预测

在线全文

学校读者我要写书评

暂无评论

基于IPSO-ELM算法的空气质量预测

环境科学与技术 2017年第S1期40卷 324-328页

作者：付亚丽洪亚华中科技大学环境科学与工程学院湖北武汉430000 湖南大学电气与信息工程学院湖南长沙410082

基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法... 详细信息

基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法并行优化极限学习机的隐含层节点数和隐含层的阈值、权值,并以均方根误差作为适应度函数。利用优化后的极限学习机预测空气质量(SO2、NO2、PM10、CO、O3、PM2.5浓度和AQI),并将预测结果与BP神经网络和ELM算法进行比较。结果表明,该文所提的空气质量预测方法比BP神经网络和ELM算法具有更高的预测精度和可靠性。

关键词：空气质量预测极限学习机改进粒子群算法并行优化

基于人工智能的空气质量预测系统的开发及应用

在线全文

学校读者我要写书评

暂无评论

环境科学与技术 2020年第S2期43卷 188-193页

作者：张辰唐伟肖洁陶通袁文华都基峻束韫中国环境科学研究院北京100012 深圳前海启鸣科技有限公司广东深圳518052

文章针对传统人工神经网络在预测环境空气质量时难以挖掘数据中的内在关系并加以学习,以及收敛速度慢等问题,提出了一种基于深度学习的人工智能空气质量预测系统。该系统由空气质量预测神经网络和空气质量网格化神经网络组成。通过训练... 详细信息

文章针对传统人工神经网络在预测环境空气质量时难以挖掘数据中的内在关系并加以学习,以及收敛速度慢等问题,提出了一种基于深度学习的人工智能空气质量预测系统。该系统由空气质量预测神经网络和空气质量网格化神经网络组成。通过训练大数据来挖掘影响空气污染物浓度各因子之间的内在关系,从而提高区域空气质量预测准确性。利用人工智能技术较强的扩展性,将传统数值预报方法集成到该系统中,得到整个区域空气质量的网格化结果。将人工智能空气质量预测系统应用到唐山地区,预测了未来7 d的空气质量。结果表明,该系统做出了较为准确的预测,PM2.5的预测数据与观测数据之间的相关系数R2为0.79,预测结果的均方根误差值低于25μg/m3,较好地反映了PM2.5每小时的变化趋势。在环境大数据背景下,该研究技术方法为大气污染防控决策提供了有效支撑。

关键词：人工智能深度学习空气质量预测