检索结果-南通市图书馆

作者：吴曼曼昆明理工大学

学位级别：硕士

随着科技经济的发展和生活水平的提升,质量问题逐渐成为国内外关注的焦点,对每个企业甚至国家影响重大。质量管理专家朱兰曾说:生活处于质量的堤坝后面。可见质量问题对于社会经济生活的重大影响,空气质量也不例外。而且,公众对于大气... 详细信息

随着科技经济的发展和生活水平的提升,质量问题逐渐成为国内外关注的焦点,对每个企业甚至国家影响重大。质量管理专家朱兰曾说:生活处于质量的堤坝后面。可见质量问题对于社会经济生活的重大影响,空气质量也不例外。而且,公众对于大气环境的质量有着较高的需求,但随着城镇化建设、工业化进行的不断深入,大气污染问题也伴随而来。如何对空气质量情况进行准确预测,为实现空气质量实时监控的优化和空气质量持续改进提供参考模型及借鉴。随着监测技术的进步及空气质量监控系统的逐步完善,更多的数据可被研究使用;而且计算机技术的快速发展开启了信息化和智能化的潮流,这使得准确预测空气质量的情况成为可能。以上海市历年空气质量数据为研究对象,构建基于数据分解的IMFs-Elman-Hybird神经网络预测模型,对空气质量预测的研究具有实际应用价值。针对Elman神经网络在预测空气质量指数时易受到数据非平稳性的影响使得模型预测准确度较低的问题,提出以互补集合经验模态分解算法为基础的预测模型,进而将对非平稳的空气质量指数序列的预测研究转化为对多个平稳的本征模态函数分量的研究。（1）将传统单一模型分别进行对比,预测结果表明:Elman神经网络的平均绝对误差、均方误差以及平均绝对百分比误差分别为:552.80、18.26、27.96%,均小于BP神经网络和小波神经网络模型;对应空气质量等级预报正确天数的频率为68%。即Elman神经网络更适合用于对空气质量指数的预测研究;（2）通过互补集合经验模态分解将非平稳的空气质量指数序列分解成9个较为平稳的IMF分量和1个剩余项,分别对各IMF分量构建Elman预测模型（简称CEEMD-IMFs-Elman）,并与其他4种模型进行对比分析。实验表明,CEEMD-IMFs-Elman模型对应空气质量等级预报正确天数的频率为78%,均优于其他4种模型。说明互补集合经验模态分解算法可处理非平稳的空气质量指数序列,并且该方法可有效降低因非平稳序列带来预测精度较低的问题,使模型精度得到提升;（3）针对高噪声数据对预测结果影响较大,模型精度有待提高的问题,对互补集合经验模态分解后的9个分量根据其特征情况进行分析,将其划分为高频、低频和剩余项三组并分别利用Elman网络进行建模,将各子预测模型的预测值汇总构建预测模型（简称IMFs-Elman-Hybird）,并与CEEMD-IMFs-Elman模型对比;由实验结果可知,IMFs-Elman-Hybird预测模型的MSE是9.86、MAE是2.40、MAPE是3.48%,对应空气质量等级预报正确天数的频率由78%提升至97%,说明了该方法的有效性和适用性,能有效实现对上海市空气质量等级的准确预报,并适用于对同样具有波动特性的大气污染物的预测和监控。

关键词：数据分解重构空气质量预测互补集合经验模态分解偏自相关函数时间序列预测 Elman神经网络空气质量等级

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成学习的空气质量预测研究与系统实现

基于集成学习的空气质量预测研究与系统实现

作者：石权华中科技大学

学位级别：硕士

四川省空气污染问题频出,逐渐成为网络舆情焦点之一,使得人们对于空气质量越来越关注,及时的建立空气质量预测系统就显得尤为重要。在空气污染问题处理中,空气质量预测是其最重要的任务,通过及时的预测空气质量,便于人们合理安排出行,... 详细信息

四川省空气污染问题频出,逐渐成为网络舆情焦点之一,使得人们对于空气质量越来越关注,及时的建立空气质量预测系统就显得尤为重要。在空气污染问题处理中,空气质量预测是其最重要的任务,通过及时的预测空气质量,便于人们合理安排出行,也便于政府提早采取有效措施,这对于处理空气污染问题来说是一项重要的手段。因此,空气质量预测的研究和预测系统的实现具有现实意义。根据采集到的空气质量相关数据,进行了相关数据的分析,探究了污染物指数与空气质量指数的相关性,并且发掘了不同季节和不同地区与空气质量的内在联系。空气质量预测的关键在于模型的准确度,通过将四川省2015年-2018年的空气质量历史数据作为样本集,利用随机森林、梯度提升树、XGBoost进行空气质量模型构建,为了进一步提高预测精度,利用贝叶斯优化对其各个模型的参数进行调优并对其进行融合。通过对比验证了贝叶斯优化的有效性,还发现了基于贝叶斯优化的随机森林、梯度提升树、XGBoost的融合模型相比于其它模型在空气质量指数预测上具有较好的预测精度。同时利用Python、Django和Echarts设计实现了空气质量预测系统,并将基于贝叶斯优化的随机森林、梯度提升树、XGBoost的融合模型运用到了系统的空气质量预测模块上。空气质量预测系统采用了MVC的设计模式,自底向上包含了三个部分:数据层、逻辑层和应用层,主要实现了采集代理池、数据采集、数据可视化管理和空气质量指数预测等几方面的功能。通过对空气质量预测系统的功能实现和测试,说明了空气质量预测系统基本满足用户的需求和预设的目标。它可以提前帮助公众了解未来的空气质量状况,以便更加合理的安排出行,同时也可以帮助政府部门针对未来的空气质量状况及时的采取相应的措施,促进社会的健康发展。

关键词：空气质量预测贝叶斯优化融合模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据挖掘的成都市空气质量预测系统设计

基于数据挖掘的成都市空气质量预测系统设计

作者：滕银银西华大学

学位级别：硕士

近年来,雾霾天气的出现越来越频繁。人们对空气质量的关注度日益见长,期望通过相关技术来挖掘空气质量数据中有用信息来预测空气质量,从而实现预防空气污染带来的危害。然而空气质量受气象因素等的影响较大,具有非线性、时变性和高度不... 详细信息

近年来,雾霾天气的出现越来越频繁。人们对空气质量的关注度日益见长,期望通过相关技术来挖掘空气质量数据中有用信息来预测空气质量,从而实现预防空气污染带来的危害。然而空气质量受气象因素等的影响较大,具有非线性、时变性和高度不稳定性等特点,如何建立有效的空气质量预测模型和预测系统一直是人们亟待解决的难题。本论文主要工作如下:(1)根据预测系统需求分析,对系统进行了总体设计及各部分设计。整个系统包含数据获取层、数据服务层、数据处理层和用户界面层四层,分为数据获取与存储、后台管理、数据分析预测三个部分进行设计。(2)搭建了预测系统的开发环境,对系统各部分的功能模块及系统界面进行了程序编码。且辅以实例代码和实现效果图阐述了系统功能的实现,包括网络爬虫、Web端、数据分析预测等功能的实现。系统实现后,本文对其功能和性能都进行了相应地测试。(3)针对爬虫获取的成都市市区的气象数据和空气质量数据存在的异常值和缺失值等问题,本文对获取的数据进行预处理,并采用Adaptive-Lasso算法选取出了影响因变量AQI的两个自变量PM10、PM2.5。在探究影响PM10、PM2.5的主要因素时,通过实验所得的Pearson和Spearman系数,分析了它们与5个气象因子的相关性,找出了预测模型的输入参数。(4)针对标准的差分进化算法(DE)存在的搜索效率较低的问题,本文通过改变DE算法的变异因子和交叉因子来提高DE算法的搜索效率,获得了改进差分进化算法(IDE),经5个多峰函数测试,测试结果表明IDE改进有效。布谷鸟搜索算法(CS)寻优效果受步长的影响不容忽视,本文通过改进步长控制量来改进CS算法,获得了改进布谷鸟算法(ICS)。(5)针对传统的BP神经网络模型过于依赖初始值、收敛速度较慢、容易陷入局部极小值等问题,本文分别使用ICS和IDE来优化BP神经网络(BPNN)模型的权值和阈值,从而获得ICS-BPNN和IDE-BPNN两种模型。并将这两种改进模型与传统的BP神经网络模型、4种优化的BP神经网络模型进行了对比分析。从PM10、PM2.5浓度预测数据结果表明,与其他模型相比,IDE-BPNN的一致性指数(IA)最高,而均方根误差(RMSE)、平均绝对值误差(MAE)和平均相对误差(MAPE)更小,IDE-BPNN的平均偏差误差(MBE)更趋于零。经分析得出,IDE-BPNN模型的预测性能更好。本文通过多种空气质量预测模型的对比分析,获得了一种有效的空气质量预测模型,提高了空气质量的预测精度。最终设计并实现了一个集数据爬取、存储、预处理和预测分析为一体的空气质量预测系统,且经过多次测试,系统测试结果达到预期设计目标。

关键词：空气质量预测数据挖掘 BP神经网络 Python 空气质量预测系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空混合模型的空气质量预测研究

基于时空混合模型的空气质量预测研究

作者：郭庆华广西师范大学

学位级别：硕士

随着我国城市化进程的快速推进,城市人口、交通规模、能源消耗也在不断扩大,导致可吸入颗粒物、一氧化碳,二氧化硫、氮氧化物等空气污染物大量增加,造成严重的空气污染问题。雾霾、PM2.5浓度超标就是一个明显的特征。空气污染严重破坏... 详细信息

随着我国城市化进程的快速推进,城市人口、交通规模、能源消耗也在不断扩大,导致可吸入颗粒物、一氧化碳,二氧化硫、氮氧化物等空气污染物大量增加,造成严重的空气污染问题。雾霾、PM2.5浓度超标就是一个明显的特征。空气污染严重破坏生态环境,不仅对人们的日常生活、身心健康产生影响,而且对城市的投资环境、吸引人才、社会文化、经济发展等许多方面都有巨大的影响。减少空气污染对于城市的可持续发展有着重大的意义,已成为各国政府亟待解决的问题,并且引起大机构、大企业的关注,因而也成为研究人员、学者研究的热点。面对上述挑战,本文在前人研究的基础上,提出了一个改进型的基于时空混合模型的城市空气质量预测方法。具体研究内容如下:1.研究目标城市空气质量与该城市空气污染物及天气情况之间的时序依赖关系,并采用多元线性回归方法建立基于气象数据及空气质量历史数据时序相关性的空气质量预测模型。其中,空气污染物包括目标城市空气质量监测站点收集到的空气污染物浓度等数据,天气情况包括目标城市气象站记录的气象数据和天气预报等数据;2.研究目标城市周边环境对该城市空气质量的影响,即研究周边城市的空气污染物和天气情况与目标城市空气质量之间的空间相关性,并采用人工神经网络方法建立基于气象数据及空气质量历史数据空间相关性空气质量预测模型。其中,空气污染物数据包括周边城市空气质量监测站点收集到的空气污染物浓度等数据,气象数据包括周边城市气象站记录的气象数据和天气预报数据;3.采用基于历年空气质量月平均值及分段平均值的聚合方法整合前述两种独立空气质量预测结果,形成最终的时空混合空气质量预测模型;4.最后用北京市和深圳市的空气质量数据和气象数据来验证本文提出的模型。实验结果表明,本文提出的模型在空气质量预测准确率方面比前人的方法有较好的改善。本文有3个创新点:1.在建立基于时序空间关系的空气质量预测模型中,本文从一个新的视角考虑更大范围、更远久的空气质量历史数据之间的相关性。具体地说,本文提出空气污染物浓度分段平均值的概念,并把污染物浓度月平均值和分段平均值作为一个相关因素加到多元回归模型中。现有的基于时序空气质量预测方法中所用的数据通常是局部的(用过去几小时的数据预测未来空气质量),而本文提出的方法利用了过去一个月内一段时间的数据(分段平均值)和过去几年月平均数据,在预测过程中除了考虑空气质量变化的局部因素,还考虑了空气变化的中长期变化趋势。因此这种方法更有利于提高空气质量的预测准确率。2.在建立基于空间关系的空气质量预测模型中,本文考虑了在一个较大的区域内多传感器(空气质量监测站)数据在时空上不同步的因素,先解决不同步数据的时间对准问题,然后再训练模型。数据不同步对模型预测准确性有很大影响,一个明显的问题是,远离目标城市的空气污染在t时刻的数据不可能影响到目标城市t+1时刻(即t后延一小时的时间)的空气质量。例如,张家口离北京250km,如果吹4级西北风,风速为每小时25km,那么张家口的污染物经过10小时会到达北京。因此,在预测某时刻t北京空气质量时,可把张家口t-10时刻的污染物浓度看作是与北京空气质量相关的数据。换句话说,把有一定时间提前量的数据作为神经网络预测模型的输入,更能反空气映污染物的空间相关性。3.本文提出一个新的模型聚合方法,把基于时序多元回归预测模型结果、基于人工神经网络预测模型结果、历年空气质量月平均值及分段平均值聚合成一个新的预测结果,形成最终的时空混合空气质量预测模型。本文的贡献在于:1.在构建基于时序多元线性回归的预测模型中,扩展了历史数据的应用范围。原有方法“用过去几小时数据预测未来空气质量”,本文提出的分段平均值数据是从月初到当前时间的平均数据(监测站每小时报一次读数),月平均值是过去几年的月平均值数据。2.在建立基于空间关系的空气质量预测模型中,本文找到了一组具有更好空间相关性的数据作为神经网络模型的输入。即考虑了在一个较大的区域内多传感器(空气质量监测站)数据在时空上不同步的因素,先解决不同步数据的时间对准问题,然后再训练模型。3.提出一个新的模型聚合方法。原有的聚合方法是根据不同条件选择不同训练模型来做预测,本文的方法是把基于时序多元回归预测模型结果、基于人工神经网络预测模型结果、历年空气质量月平均值及分段平均值聚合成一个新的预测结果,形成最终的时空混合空气质量预测模型。这些都是本文的创新工作。

关键词：空气质量预测多元回归分析时序相关性空间相关性混合模型

基于BP-GA神经网络的六安市空气质量预测研究

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-GA神经网络的六安市空气质量预测研究

作者：鲍慧安徽大学

学位级别：硕士

我国目前的空气质量环境存在很多问题,其中PM2.5和PM10的大气污染物较为突出。空气污染不仅影响当地人们的身心健康,而且严重破环生态环境,对城市的经济发展、投资环境影响甚大。我们如果能在实时检测大气污染的同时,再研发出空气质量... 详细信息

我国目前的空气质量环境存在很多问题,其中PM2.5和PM10的大气污染物较为突出。空气污染不仅影响当地人们的身心健康,而且严重破环生态环境,对城市的经济发展、投资环境影响甚大。我们如果能在实时检测大气污染的同时,再研发出空气质量预测系统,这将会使我们达到主动预防的目的从而改善环境。国务院也在相关计划中明确提出全国各地需“建立监测预警体系,提高监测预警的准确度,及时发布监测预警信息。”经典的回归统计模型和数值预报模型是当前国内外大多数城市用于空气质量预测所采取的方法,但不能满足海量数据的管理和利用,准确率较低,没有形成良好的决策支持功能。BP人工神经网络主要用于函数逼近,具备非线性处理能力和容噪能力。然而在实际应用中BP也会有很多缺陷,网络训练可能会陷入局部极小点,学习算法的收敛速度慢等。故本文用遗传算法来优化BP神经网络模型的初始权阈值以进一步提高空气质量预测能力。为此本文研究了在Delphi环境下实现基于遗传算法和BP神经网络相结合的空气质量预测模型。本文所做的主要工作有以下几个方面：(1)根据收集的2011-2015年5年的空气污染物浓度数据研究得出规律,从2015年的1月到2月可看出主要要污染物为PM10和PM2.5,且浓度在增加。在2011-2014全年中,S02年均浓度前两年相同,后两年年均浓度在增加;N02年均浓度在前2年年增加,13年少降,14年又大幅增加;可吸入颗粒物年均浓度在11-14年中,一直在不断增加。分析了六安气候特征,空气质量如何划分等级,为后面基于时间序列的网络模型确立输入因子。(2)研究了BP神经网络的结构、学习方法,用Delphi编制了BP神经网络模型。概述了经典统计模型,预测2011年1月到12月的S0：污染物浓度值。再用5-5-1网络结构的BP模型,以10月份为训练数据预测11月份值,并与经典统计模型预测的11月份值进行实验对比,结果显示BP网络模型性能较好。(3)分析BP神经网络模型的缺陷,研究了遗传算法,在其算法实现中如何进行选择、交叉、变异,以及遗传算法如何解决编码、适应度函数和在本文中如何用它来优化BP神经网络初始权阈值的问题。优化后的BP模型较优化前的BP模型,其实验对比结果显示优化后的网络误差在进一步减小。(4)用Delphi编制出BP-GA相结合的空气质量预测模型。分别用5-5-1网络结构的BP模型、BP-GA模型与传统的统计模型去预测S02的污染物浓度值,对3种模型的实验结果进行分析;均用5-5-1网络结构的BP模型和BP-GA模型分别预测PM10,PM2.5,NO2的值,两种模型性能作比较;用10-5-1网络结构的BP-GA模型预测PM10与5-5-1网络结构的BP-GA模型预测PM1o,两种网络结构分别作比较。

关键词：人工神经网络 BP神经网络遗传算法 BP-GA神经网络模型空气质量预测

基于多源时空数据融合的空气质量预测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多源时空数据融合的空气质量预测算法研究

作者：宋丹中国矿业大学

学位级别：硕士

空气质量是关系民生的重大社会问题,习主席多次强调要提高环境治理水平,增强大气污染治理力度,坚决打赢蓝天保卫战。空气质量监测站作为城市中环境监测的基础设施,分布在城市的多个区域,每天会采集到大量的空气监测数据。这些数据为挖... 详细信息

空气质量是关系民生的重大社会问题,习主席多次强调要提高环境治理水平,增强大气污染治理力度,坚决打赢蓝天保卫战。空气质量监测站作为城市中环境监测的基础设施,分布在城市的多个区域,每天会采集到大量的空气监测数据。这些数据为挖掘数据间的联系、建立科学的空气质量预测模型提供了数据基础。因此,本课题应用数据融合、数据挖掘、机器学习等方法和技术构建空气质量预测模型,选取多源数据对空气质量进行预测研究。本课题的主要研究工作如下:(1)基于时空加权回归的空气质量预测方法空气监测数据在呈现方式上具有序列特征,同时存在时间和空间特性,为了充分利用数据间的时空相关性,给出一种基于时空加权回归的空气质量预测方法。首先,针对数据缺失问题,采用线性插值和神经网络预测相结合的方法对缺失数据进行恢复。其次,针对数据多源性特点,采用时间和空间特征将空气监测数据与气象数据进行融合,并将时间信息离散化,加强数据在时间上的关联性。最后,针对数据维度较高和变量间存在共线性的问题,借助主成分分析方法选取最优变量,应用时空加权回归模型进行分析及预测。实验表明,该方法在准确率上优于普通线性回归模型与传统的地理加权回归模型。(2)基于快速长短期记忆网络的空气质量预测方法大气污染物成分复杂且来源多样,数据间的依赖关系较长,在训练过程中容易产生长期依赖问题,影响模型的预测准确率。为此,给出一种基于快速长短期记忆网络的空气质量预测方法。首先,选取K-means算法对多源数据进行聚类,并添加分类标签。其次,采用长短期记忆网络解决序列数据过长导致的长期依赖问题,有效避免梯度消失和梯度爆炸。最后,针对长短期记忆网络模型训练速度较慢的问题,引入简单循环单元来简化状态计算,实现更快的状态更新。实验表明,该方法在保证预测精度的情况下,大幅减少了训练时间。(3)基于多源数据融合的空气质量预测原型系统的设计与实现为验证本课题的研究成果,加强理论和实践的结合,设计并实现了基于多源数据融合的空气质量预测原型系统。该系统包含算法选择、模型训练、模型预测三个模块,通过应用不同城市、不同时期的历史数据来训练模型,用户可选择不同模型、不同的时间跨度预测未来一段时间内空气质量的状况。该系统对城市生活、智能交通、环境保护等都具有重要的实践价值。

关键词：空气质量预测 PM2.5预测时空加权回归长短期记忆网路

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的空气质量预测研究

基于深度学习的空气质量预测研究

作者：陈玉涛青海师范大学

学位级别：硕士

近年来,随着人们环保意识的不断增强,空气污染的问题受到了越来越多的关注。本文从空气质量预测的研究背景入手,针对空气质量预测模型结构单一、预测精度低的难题,提出基于深度学习的空气质量预测模型和空气污染物浓度预测模型,并实现... 详细信息

近年来,随着人们环保意识的不断增强,空气污染的问题受到了越来越多的关注。本文从空气质量预测的研究背景入手,针对空气质量预测模型结构单一、预测精度低的难题,提出基于深度学习的空气质量预测模型和空气污染物浓度预测模型,并实现了预测仿真软件。本文主要开展了如下研究工作:(1)根据近五年青海省西宁市空气质量数据集,以PM、PM、SO、NO、O、CO六种大气污染物每小时浓度值及其24小时滑动平均浓度值为属性指标,研究并构建了一种基于双向门控循环单元与注意力机制的空气质量预测模型,开展未来短时空气质量的预测研究。与现有的空气质量预测模型相比,本文所构建的空气质量预测模型在平均绝对误差、均方根误差等评价指标方面,取得了更优的结果。(2)根据青海省西宁市空气质量数据集及大气气象数据集,研究基于注意力机制的卷积神经网络和双向长短时记忆网络组合方法,并构建一种未来短时空气污染物浓度混合预测模型。通过对空气质量数据及大气气象数据的相关性分析,选取不同的空气污染物浓度属性及气象属性作为预测目标浓度的指标,预测未来短时PM、PM、SO、NO四种大气污染物的浓度趋势。与Bi LSTM+Attention和LSTM+Attention两种模型相比,本文所使用的空气污染物浓度预测模型在平均绝对误差和R-Squared两个评价指标上,明显优于其它两种模型。(3)设计空气质量预测仿真软件,实现数据采集、数据处理、空气质量预测等主要功能。本文主要根据空气质量的时间序列数据和大气气象的时间序列数据来进行预测仿真实验,实验结果表明本文所构建的基于深度学习的空气质量预测模型和空气污染物浓度预测模型表现较为优异,能有效提高城市空气质量预测的数据精度和稳定性。该研究工作为空气环境质量的监测和预报提供了一定的参考价值。

关键词：门控循环单元注意力机制卷积神经网络长短时记忆网络空气质量预测

基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究

作者：赵李明江西理工大学

学位级别：硕士

随着经济的快速发展,大量污染气体的排放,对环境产生了很大的破坏,使得生态不断恶化。空气污染不仅对人的健康产生的影响,也将会直接导致可持续发展的社会受到影响。因此,大气污染物防治工作,就显得尤为重要。为了更全面的认识和掌握大... 详细信息

随着经济的快速发展,大量污染气体的排放,对环境产生了很大的破坏,使得生态不断恶化。空气污染不仅对人的健康产生的影响,也将会直接导致可持续发展的社会受到影响。因此,大气污染物防治工作,就显得尤为重要。为了更全面的认识和掌握大气污染物的变化趋势,为大气污染防治工作提供更全面、及时的信息,开展大气污染物的预测研究工作势在必行。大气污染物的预测工作历经几十年发展,预测方法和预测技术都得到了全面的提升,然而如何改善空气污染物的预测精度,一直是空气质量预测领域必须考虑和研究的重点。本文以广州为研究区域,根据广州市2014、2015年的国控站点污染物监测数据和气象预报数据,利用遗传算法和BP神经网络,来构建空气质量预测模型,将该模型运用在广州市空气质量预报实验中。同时,采用反距离加权插值法,对广州市的AQI的时空分布进行了分析和预测。本文的主要工作和研究结果如下:首先,对人工神经网络应用于空气质量预报的国内外研究现状进行了阐述,确定了本文的研究内容和技术路线,分析了研究区域的基本情况和空气质量监测站点的地理位置,还介绍了采集的空气质量监测数据和天气预报数据的数据内容和数据来源。其次,深入研究了BP神经网络和遗传算法,介绍了算法的基本原理和流程,并充分分析了两者的优缺点。提出利用遗传算法具有全局搜索的优势,来优化BP神经网络的权重和阈值的方法,避免了神经网络过早收敛于局部极小值,进而提升BP神经网络的泛化能力。再次,根据空气质量数据,考虑气象因素的影响下,结合遗传算法和BP神经网络算法,设计实现了一个基于遗传算法优化神经网络的空气质量预测模型。然后,选取了2014年的空气质量监测数据和气象预报数据作为模型训练样本数据,训练预测模型,通过反复的实验,确定神经网络预测模型的网络结构和参数,并将该预测模型应用在对广州市市监测站2015年1月至3月的空气质量预测实验中,并将该实验结果与单一BP神经网络模型的实验结果进行了对比分析,预测实验结果证明遗传算法优化的预测模型具有较好的预测准确率,达到了预期的效果。最后,利用反距离加权空间插值法,对广州市2015年上半年AQI时空分布特征进行分析研究。结果表明,1-3月份,空气质量指数(AQI)呈下降趋势,北部高于南部;4-6月份,AQI呈逐渐上升趋势,南部高于北部,并且南部市中心城区的AQI明显偏高。并与预测模型预测AQI值相应的空间分布进行对比,两者的空间分布特征较为一致,从而验证了预测模型的准确性。

关键词：空气质量预测 GA BP 空间分析 GIS 广州市

基于深度空间特征提取的空气质量预测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度空间特征提取的空气质量预测模型研究

作者：王艺蒙吉林大学

学位级别：硕士

近些年,随着雾霾天气的不断增加,空气质量逐渐成为热门话题,长期吸入雾霾会危害人的身体健康,引发哮喘和肺癌等疾病。因此,能提前准确地预测出空气质量对指导人们出行并做好防护措施具有重要的意义,空气质量预测也是现在时间序列预测任... 详细信息

近些年,随着雾霾天气的不断增加,空气质量逐渐成为热门话题,长期吸入雾霾会危害人的身体健康,引发哮喘和肺癌等疾病。因此,能提前准确地预测出空气质量对指导人们出行并做好防护措施具有重要的意义,空气质量预测也是现在时间序列预测任务的重要分支。对空气质量的预测主要是对PM2.5的预测,虽然影响空气质量的因素有很多,但研究人员只能获取一小部分,因此现在的研究只能利用少部分可采集数据进行建模,本文将这些除PM2.5以外的数据统称为辅助信息。现有的大多数模型把PM2.5和辅助信息无差别的放在一起进行时间特征的提取,但其实不同辅助信息对于预测的结果影响也不同,这种无差别的特征提取无法区分不同辅助信息的重要程度,也就是对数据的空间特征提取不够充分。例如许多工作都使用到的GRU(Gated Recurrent Unit)模型将所有数据无差别的输入到模型中进行预测,无法区别不同辅助信息对于预测的重要程度,仅考虑了时间特征提取。针对以上问题,本文设计了一种可以提取不同辅助信息对于PM2.5预测重要程度的AI-GRU单元(Auxiliary Information-GRU),并将其作为可以提取深层空间特征的重要组成模块,融合到本文设计的深层过渡网络模型AI-DTN(Auxiliary Information-Deep Transition Network)中,对空气质量数据进行了预测和分析,具体工作如下:1.针对空气质量预测任务的特点,为了提取空气质量数据的深层次空间特征与时间特征,本文提出了基于辅助信息和深层过渡网络的空气质量预测模型(AIDTN),它包含正反不同方向的两个过渡网络,分别从正反两种时间序列方向上提取特征信息,以增强特征提取的程度。AI-DTN中的每个过渡网络由本文所设计的提取空间特征的融合辅助信息的门控循环单元AI-GRU和现有的提取时间特征的过渡门控循环单元(Transition GRU,T-GRU)所组成。在AI-GRU中本文设计了两种门控,一个控制辅助信息流入门控循环单元的程度,另一个控制PM2.5与辅助信息的融合程度,这种门控机制可以避免信息融合过程中的相互干扰。本文将AI-DTN与LSTM、GRU、DARNN、GP和VARMLP进行了对比。实验表明,AI-DTN优于将对空间信息提取不佳的LSTM、GRU、GP与VARMLP,且明显优于同样重点提取空间信息的DARNN。除此之外,本文通过删除AI-DTN中不同的组成部分对AI-DTN进行了消融实验分析,通过实验结果证明了本文提出的AI-GRU中的门控可以提取到不同辅助信息对PM2.5的重要程度,同时还证明了AI-DTN中的双向数据输入在提取时间特征上的重要性。2.将AI-DTN应用在空气质量预测系统中。实现空气质量预测系统,系统以长春市地区为例,从数据库中读取时间序列信息,后台根据预测算法AI-DTN对空气质量进行预测,同时将预测结果写回数据库,最后系统从数据库中读取结果并传回系统前端,通过折线图形式展示给用户。

关键词：深度学习空气质量预测循环神经网络辅助信息门控循环单元

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的空气质量分类与预测

基于机器学习的空气质量分类与预测

作者：尹琪中北大学

学位级别：硕士

空气污染是指人类在自然环境中进行生产生活,由于一些不恰当的行为而将某些污染物排入大气中,当物质浓度达到一定数值后对人体健康和自然环境造成危害的一种现象。大气环境复杂多变且具有动态的不确定特性,引发空气污染的相关因素有很多... 详细信息

空气污染是指人类在自然环境中进行生产生活,由于一些不恰当的行为而将某些污染物排入大气中,当物质浓度达到一定数值后对人体健康和自然环境造成危害的一种现象。大气环境复杂多变且具有动态的不确定特性,引发空气污染的相关因素有很多,比如PM、SO和O等超过一定浓度的空气污染物,还有降水、风向、湿度等因素,这些因素都跟未来一段时间之内的空气质量存在着较强的非线性关系。因此较为准确的空气质量预报能够帮助人们采取有效措施,合理安排出行计划,有助于大气污染防控和城市环境规划建设,减少不必要的损失,对人们的生产生活有着重要的指导意义。近年来,人工智能不断有新的进展和突破,机器学习发挥了非常重要的作用。当下,全社会各个领域中的科研人员都在利用机器学习解决疑难问题,使得机器学习成为了炙手可热的处理手段。本文利用智能优化算法和机器学习中的支持向量机与神经网络对太原市2014年至2017年间的空气污染物监测数据进行研究,主要研究内容如下:(1)将模拟退火算法(SA)与粒子群算法(PSO)相结合并对其进行改进,优化支持向量机(SVM)完成参数寻优,并运用偏最小二乘法(PLS)分析各污染物因子间的相互作用,提出一种新的空气质量评价模型。实验结果表明,改进的SAPSO-SVM与PSO-SVM和SVM相比,该模型运行时间短、等级分类精度高,具有良好的评价性能。(2)分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测。实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM。(3)运用果蝇优化算法(FOA)优化灰色神经网络(GMNN),对网络参数进行寻优并预测太原市未来的空气质量状况。实验结果表明,FOA-GMNN在预测精度、误差率和可靠性方面均优于GMNN,显示了该算法的良好性能。本文提出的三个预测模型:改进的SAPSO-SVM,GA-SVM和FOA-GMNN,用于空气质量的分类和预测,为空气质量评价提供了新思路,为大气污染防治提供了科学合理的理论依据和新的预测方法。

关键词：支持向量机神经网络智能算法灰色理论空气质量预测偏最小二乘法