CN107909206A - 一种基于深层结构循环神经网络的pm2.5预测方法 - Google Patents
一种基于深层结构循环神经网络的pm2.5预测方法 Download PDFInfo
- Publication number
- CN107909206A CN107909206A CN201711130537.XA CN201711130537A CN107909206A CN 107909206 A CN107909206 A CN 107909206A CN 201711130537 A CN201711130537 A CN 201711130537A CN 107909206 A CN107909206 A CN 107909206A
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- msub
- training
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深层结构循环神经网络的PM2.5预测方法,利用采集的大量数据,根据深度学习和循环神经网络理论构建深层结构的PM2.5的预测模型,通过数据特征的提取和训练,实现雾霾天气的预测,旨在提高雾霾预测的效率和精度,为雾霾预防和治理提出有说服力的决策依据。预测模型对于数据结构几乎没什么要求,只要数据足够大时能自学习,使得深度学习非常适合当下互联网大数据应用的需要。
Description
技术领域
本发明属于环境工程于检测技术领域,更为具体地讲,涉及一种基于深层结构循环神经网络的PM2.5预测方法。
背景技术
空气质量一直是关系人类前途命运的重大问题,随着社会进步、汽车保有量的急剧增加导致空气中的可吸人颗粒物含量大幅上升,环境污染问题日趋严重。随着空气质量的不断恶化,雾霾天气现象越来越多,危害越来越大。雾霾是一种灾害天气现象。可吸入颗粒物PM2.5,才是雾霾天气主要成因,不仅对空气质量有着严重的影响,重要的是对人体健康威胁巨大。
对于空气质量的预测研究有着诸多的思想与方法,在众多的方法中,基于***工程的思想,并有效结合新理论和新方法对环境质量,尤其是雾霾,实现量化研究以及有效预测是主要发展趋势。
由于受气候、气温、人类活动等大量不确定性和复杂性因素的影响,各类天气数据的时间序列具有高度非线性、不确定性等特性,常规的分析、预测方法很难掌握其中的变化规律及变化特性。
浅层的神经网络在解决简单的或者限制较多的问题效果明显,但是由于建模和表示能力有限,遇到实际生活中一些更加复杂的涉及自然信号的问题实现能力有限。
深度的神经网络,具有多个隐形层,比传统神经网络更具有结构上的优势,特征抽象能力能强。深度神经网络采用一种全新的编码方式,不需要直接为解决的问题设计算法和编程,只需要针对训练过程编程,网络再训练过程中就能自己学习到解决问题的正确方法,在数据量得到保证的情况下,简单的算法加上复杂的数据能得到特别的效果。
同时由于芯片处理性能的巨大提升,用于训练的数据***性增长和近来机器学习和信号、信息处理研究有了很大进展,这些都使深度学习方法可以有效利用复杂的非线性函数和非线性的复合函数来学习分布和分层的特征表示并且可以充分有效地利用标注和非标注的数据。
循环神经网络(RNN)是一类可用于无监督(和有监督)学习的深度网络,深度甚至可以达到和输入序列的长度一致,在无监督学习模式下,RNN被用来根据先前的数据样本预测未来的数据序列,并且学习过程中没有用到类别信息,因此RNN非常适合序列数据建模。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深层结构循环神经网络的PM2.5预测方法,通过结合循环神经网络的基础理论,网络构造和流程原理来搭建PM2.5预测模型,从而实现PM2.5的预测。
为实现上述发明目的,本发明一种基于深层结构循环神经网络的PM2.5预测方法,其特征在于,包括以下步骤:
(1)、获取历史天气数据,包括每小时的温度,光照,风速,降雨量,SO2,O3,NO,PM10,PM2.5数据指标,其中,温度单位:℃,光照单位:lm/㎡,风速单位:m/s,降雨量单位:mm,SO2,O3,NO,PM10,PM2.5均是浓度数据;
(2)、数据预处理
(2.1)、对缺失历史天气数据进行补全处理
利用均值法补全缺失的历史天气数据:
其中,Xt表示当前时刻的缺失历史天气数据,Xt-1表示前一时刻的缺失历史天气数据,Xt+1表示前后一时刻的缺失历史天气数据;
(2.2)、对所有历史天气数据进行归一化处理
按照如下公式将所以历史天气数据归一化到-1~1之间;
其中,X'表示归一化后的历史天气数据,X表示归一化前的历史天气数据,表示历史天气数据均值,Xmax表示历史天气数据最大值,Xmin表示历史天气数据最小值;
(3)、将预处理完成后的历史天气数据按照比例分为训练数据和测试数据;
(4)、基于深度学习理论和循环神经网络构造深层结构的PM2.5预测模型
(4.1)、构建深层循环神经网络预测模型:一层输入层,多层隐藏层,一层输入层,模型深度大于N层,输入是训练数据,输出是PM2.5浓度的预测值;
(4.2)、设输入层维度为K×(H-1),输出层维度为1×T,输入层与隐藏层,隐藏层与隐藏层,隐藏层和输出层的激活函数采用Tanh函数;
其中,K表示循环神经网络按时间序列展开的深度,即K个时间帧,每一个时间帧输入一组历史天气数据;H表示数据指标数目,T表示循环神经网络的预测模型输出数据个数,表示用K条历史数据预测未来T个时刻的PM2.5浓度,即为了输入前K个时刻的天气数据,预测出之后T个时刻的PM2.5浓度数据;
(4.3)、选择PM2.5预测模型中使用的损失函数
在PM2.5预测模型中采用均方误差作为损失函数:
其中,q表示迭代次数,t为输出向量维度,yi,j表示训练数据的真实值,yi,j'表示训练数据的预测值;
(4.4)、采用小批量随机梯度下降算法更新PM2.5预测模型中的参数
(4.4.1)、初始化参数θ0;
(4.4.2)、将训练数据按照时间序列每m个训练数据分为一组,再利用小批量随机梯度下降算法计算第一组训练数据中每个训练数据的梯度值,然后梯度值进行加权平均求和,得到本组训练数据的下降梯度i表示第i组训练数据,表示第i组中第τ个训练数据对应的输入、输出数据;
(4.4.3)、本组训练数据的下降梯度更新PM2.5预测模型中的参数,参数更新公式为:
其中,θi-1表示上一组数据训练完成后的目标参数,θi表示本组训练数据完成后的目标参数,η表示学习率;
(4.4.4)、当本组训练数据完成后的目标参数更新完成后,返回步骤(4.4.2)进行下一组训练数据的训练及更新,直到误差值低于设定期望误差值或者最后一组训练数据训练完成时结束,然后更新并保存最终参数,得到训练完成的PM2.5预测模型;
(5)、判断PM2.5预测模型的是否达到训练停止条件
将测试集数据按照时间序列输入一个K组数据至已经训练好的PM2.5预测模型中,输出T个预测值,再将每个预测值和真实值之间进行误差判断,如果误差在允许范围内,则认为预测模型完成训练,否则返回步骤(4)重新训练,直到达到停止条件;
(6)、利用PM2.5预测模型进行PM2.5的预测
将当前K组天气数据输入至PM2.5预测模型,输出T个PM2.5预测值。
本发明的发明目的是这样实现的:
本发明一种基于深层结构循环神经网络的PM2.5预测方法,利用采集的大量数据,根据深度学习和循环神经网络理论构建深层结构的PM2.5的预测模型,通过数据特征的提取和训练,实现雾霾天气的预测,旨在提高雾霾预测的效率和精度,为雾霾预防和治理提出有说服力的决策依据。预测模型对于数据结构几乎没什么要求,只要数据足够大时能自学习,使得深度学习非常适合当下互联网大数据应用的需要。
同时,本发明一种基于深层结构循环神经网络的PM2.5预测方法还具有以下有益效果:
(1)预测模型将原始数据通过一些简单的非线性模型变换为更高层次的抽象表达,再组合多层变换,学习提取出非常复杂的函数特征方法。规避了传统的浅层结构的预测模型在有限样本和计算单位情况下对复杂函数的表示能力有限的问题。
(2)预测模型的核心区别在于多个隐层,并且各层特征提取不是人工参与设计,而是使用通用的学习过程从数据中自学得到的,对数据结构没有要求,简化了数据处理过程,提升效率。
(3)利用不同地区的数据就能实现该地区的PM2.5浓度的预测,根据实际情况和要求重新定义PM2.2预测模型的参数即可,不需要再重新构建网络,因此能具有灵活性和可移植性。
附图说明
图1是本发明一种基于深层结构循环神经网络的PM2.5预测方法流程图;
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种基于深层结构循环神经网络的PM2.5预测方法流程图。
在本实施例中,如图1所示,本发明一种基于深层结构循环神经网络的PM2.5预测方法,包括以下步骤:
S1、获取历史天气数据,包括每小时的温度,光照,风速,降雨量,SO2,O3,NO,PM10,PM2.5数据指标,其中,温度单位:℃,光照单位:lm/㎡,风速单位:m/s,降雨量单位:mm,SO2,O3,NO,PM10,PM2.5均是浓度数据;
在本实施例中,在中国气象局上申请获得2014年5月到2017年5月的历史天气数据,数据信息包括每个小时的温度,光照,风速,降雨量,SO2,O3,NO,PM10,PM2.5数据指标(其中温度单位:℃,光照单位:lm/㎡,风速单位:m/s,降雨量单位:mm,SO2,O3,NO,PM10,PM2.5均是浓度数据),共计9个指标,共计26280×9个数据,保证了深层结构的循环神经网络预测PM2.5模型的数据量。
S2、数据预处理
S2.1、对缺失历史天气数据进行补全处理
采集的天气数据是基于时间序列的历史数据,收集数据存在极少缺失数据,采用均值的方法补全缺失数据,保证数据的完整性。
利用均值法补全缺失的历史天气数据的公式为:
其中,Xt表示当前时刻的缺失历史天气数据,Xt-1表示前一时刻的缺失历史天气数据,Xt+1表示前后一时刻的缺失历史天气数据;
S2.2、对所有历史天气数据进行归一化处理
按照如下公式将所以历史天气数据归一化到-1~1之间;
其中,X'表示归一化后的历史天气数据,X表示归一化前的历史天气数据,表示历史天气数据均值,Xmax表示历史天气数据最大值,Xmin表示历史天气数据最小值;
S3、将预处理完成后的历史天气数据按照70%、30%比例分为训练数据和测试数据;
S4、基于深度学习理论和循环神经网络构造深层结构的PM2.5预测模型
S4.1、本实施例中,构建深层循环神经网络预测模型:一层输入层,八层隐藏层,一层输入层,模型深度为10层,输入层的节点数为9,隐藏层的节点数为50,输出层的节点数为5,输入是训练数据,输出是PM2.5浓度的预测值;
S4.2、设输入层维度为K×9,输出层维度为1×T,输入层与隐藏层,隐藏层与隐藏层,隐藏层和输出层的激活函数采用Tanh函数;
其中,K表示循环神经网络按时间序列展开的深度,即K个时间帧,每一个时间帧输入一组历史天气数据;T表示循环神经网络的预测模型输出数据个数,表示用K条历史数据预测未来T个时刻的PM2.5浓度,即为了输入前K个时刻的天气数据,预测出之后T个时刻的PM2.5浓度数据;
S4.3、选择PM2.5预测模型中使用的损失函数
在本实施例中,PM2.5预测模型中将数据按照时间序列,从训练数据集中按段选取出子集Mi作为一个小批量数据集,子集Mi中样本点个数均为m,包含输入和标记输出数据,记为Mi(Xi,Yi),输入数据为Xi,真实标记输出数据为Yi,神经网络训练输出数据为表示为Yi',对应关系表示如下:
即表示按时间序列输入第τ个矩阵,即得到
行向量,τ=1,2,...,m-k+1。
每个子集Mi的训练损失函数选定为均方误差,表示给定的训练数据子集上预测模型的参数向量的误差度量,记为用如下公式表示:
其中,q表示迭代次数,t为输出向量维度,yi,j表示训练数据的真实值,yi,j'表示训练数据的预测值;
S4.4、采用小批量随机梯度下降算法更新PM2.5预测模型中的参数
S4.4.1、初始化参数θ0;
S4.4.2、将训练数据按照时间序列每m个训练数据分为一组,再利用小批量随机梯度下降算法计算第一组训练数据中每个训练数据的梯度值,然后对q个梯度值进行加权平均求和,得到本组训练数据的下降梯度i表示第i组训练数据,表示第i组中第τ个训练数据对应的输入、输出数据;
S4.4.3、本组训练数据的下降梯度更新PM2.5预测模型中的参数,参数更新公式为:
其中,θi-1表示上一组数据训练完成后的目标参数,θi表示本组训练数据完成后的目标参数,η表示学习率;
在本实施例中,结合步骤S3中实施例,PM2.5预测模型使用小批量随机梯度下降算法训练参数时,每个子集Mi中需要迭代(m-k+1)次,每次使用K条数据,对求导得到每个参数的梯度,并对m-k+1个梯度进行加权平均求和,作为一次小批量训练的下降梯度,然后进行参数更新,具体为:
S4.4.4、当本组训练数据完成后的目标参数更新完成后,返回步骤S4.4.2进行下一组训练数据的训练及更新,直到当下降梯度低于设定期望误差值或者达到最后一组训练数据训练完成时结束,然后更新并保存最终参数,得到训练完成的PM2.5预测模型;
S5、判断PM2.5预测模型的是否达到训练停止条件
将测试集数据按照时间序列输入一个K组数据至已经训练好的PM2.5预测模型中,输出T个预测值,再将每个预测值和真实值之间进行误差判断,如果误差在允许范围内,则认为预测模型完成训练,否则返回步骤S4重新训练,直到达到停止条件;
S6、利用PM2.5预测模型进行PM2.5的预测
将当前K组天气数据输入至PM2.5预测模型,输出T个PM2.5预测值。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于深层结构循环神经网络的PM2.5预测方法,其特征在于,包括以下步骤:
(1)、获取历史天气数据,包括每小时的温度,光照,风速,降雨量,SO2,O3,NO,PM10,PM2.5数据指标,其中,温度单位:℃,光照单位:lm/㎡,风速单位:m/s,降雨量单位:mm,SO2,O3,NO,PM10,PM2.5均是浓度数据;
(2)、数据预处理
(2.1)、对缺失历史天气数据进行补全处理
利用均值法补全缺失的历史天气数据:
<mrow>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,Xt表示当前时刻的缺失历史天气数据,Xt-1表示前一时刻的缺失历史天气数据,Xt+1表示前后一时刻的缺失历史天气数据;
(2.2)、对所有历史天气数据进行归一化处理
按照如下公式将所以历史天气数据归一化到-1~1之间;
<mrow>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,X'表示归一化后的历史天气数据,X表示归一化前的历史天气数据,表示历史天气数据均值,Xmax表示历史天气数据最大值,Xmin表示历史天气数据最小值;
(3)、将预处理完成后的历史天气数据按照比例分为训练数据和测试数据;
(4)、基于深度学习理论和循环神经网络构造深层结构的PM2.5预测模型
(4.1)、构建深层循环神经网络预测模型:一层输入层,多层隐藏层,一层输入层,模型深度大于N层,输入是训练数据,输出是PM2.5浓度的预测值;
(4.2)、设输入层维度为K×(H-1),输出层维度为1×T,输入层与隐藏层,隐藏层与隐藏层,隐藏层和输出层的激活函数采用Tanh函数;
其中,K表示循环神经网络按时间序列展开的深度,即K个时间帧,每一个时间帧输入一组历史天气数据;H表示数据指标数目,T表示循环神经网络的预测模型输出数据个数,表示用K条历史数据预测未来T个时刻的PM2.5浓度,即为了输入前K个时刻的天气数据,预测出之后T个时刻的PM2.5浓度数据;
(4.3)、选择PM2.5预测模型中使用的损失函数
在PM2.5预测模型中采用均方误差作为损失函数:
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mi>c</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>J</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>&tau;</mi>
</msubsup>
<mo>;</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>&tau;</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>q</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中,t为输出向量维度,yi,j表示训练数据的真实值,yi,j'表示训练数据的预测值;
(4.4)、采用小批量随机梯度下降算法更新PM2.5预测模型中的参数
(4.4.1)、初始化参数θ0;
(4.4.2)、将训练数据按照时间序列每m个训练数据分为一组,再利用小批量随机梯度下降算法计算第一组训练数据中每个训练训练数据的梯度值,然后梯度值进行加权平均求和,得到本组训练数据的下降梯度i表示第i组训练数据,表示第i组中第τ个训练数据对应的输入、输出数据;
(4.4.3)、本组训练数据的下降梯度更新PM2.5预测模型中的参数,参数更新公式为:
<mrow>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mi>&eta;</mi>
<mi>q</mi>
</mfrac>
<msub>
<mo>&dtri;</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
</msub>
<mi>J</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>&tau;</mi>
</msubsup>
<mo>;</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>&tau;</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中,θi-1表示上一组数据训练完成后的目标参数,θi表示本组训练数据完成后的目标参数,η表示学习率;
(4.4.4)、当本组训练数据完成后的目标参数更新完成后,返回步骤(4.4.2)进行下一组训练数据的训练及更新,直到误差值低于设定期望误差值或者最后一组训练数据训练完成时结束,然后更新并保存最终参数,得到训练完成的PM2.5预测模型;
(5)、判断PM2.5预测模型的是否达到训练停止条件
将测试集数据按照时间序列输入一个K组数据至已经训练好的PM2.5预测模型中,输出T个预测值,再将每个预测值和真实值之间进行误差判断,如果误差在允许范围内,则认为预测模型完成训练,否则返回步骤(4)重新训练,直到达到停止条件;
(6)、利用PM2.5预测模型进行PM2.5的预测
将当前K组天气数据输入至PM2.5预测模型,输出T个PM2.5预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130537.XA CN107909206B (zh) | 2017-11-15 | 2017-11-15 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130537.XA CN107909206B (zh) | 2017-11-15 | 2017-11-15 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909206A true CN107909206A (zh) | 2018-04-13 |
CN107909206B CN107909206B (zh) | 2021-06-04 |
Family
ID=61845600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711130537.XA Active CN107909206B (zh) | 2017-11-15 | 2017-11-15 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909206B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564326A (zh) * | 2018-04-19 | 2018-09-21 | 安吉汽车物流股份有限公司 | 订单的预测方法及装置、计算机可读介质、物流*** |
CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN109242166A (zh) * | 2018-08-25 | 2019-01-18 | 中科绿建(天津)科技发展有限公司 | 一种基于多尺度深度神经网络的环境预测防控*** |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及*** |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110334382A (zh) * | 2019-05-09 | 2019-10-15 | 电子科技大学 | 一种基于循环神经网络的汽车车窗起雾状况预测方法 |
CN110543931A (zh) * | 2019-07-26 | 2019-12-06 | 浙江工业大学 | 一种基于时刻关联网络的pm2.5浓度值预测方法 |
CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及*** |
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体*** |
CN112884243A (zh) * | 2021-03-16 | 2021-06-01 | 杭州职业技术学院 | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384166A (zh) * | 2016-09-12 | 2017-02-08 | 中山大学 | 一种结合财经新闻的深度学习股市预测方法 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控*** |
CN106952161A (zh) * | 2017-03-31 | 2017-07-14 | 洪志令 | 一种基于长短期记忆深度学习网络的股票近期走势预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
-
2017
- 2017-11-15 CN CN201711130537.XA patent/CN107909206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384166A (zh) * | 2016-09-12 | 2017-02-08 | 中山大学 | 一种结合财经新闻的深度学习股市预测方法 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控*** |
CN106952161A (zh) * | 2017-03-31 | 2017-07-14 | 洪志令 | 一种基于长短期记忆深度学习网络的股票近期走势预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
XIAOLU LI 等: "Influence of Social-economic Activities on Air Pollutants in Beijing, China", 《OPEN GEOSCIENCES》 * |
艾洪福 等: "基于BP人工神经网络的雾霾天气预测研究", 《计算机仿真》 * |
范竣翔 等: "基于RNN的空气污染时空预报模型研究", 《测绘科学》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564326A (zh) * | 2018-04-19 | 2018-09-21 | 安吉汽车物流股份有限公司 | 订单的预测方法及装置、计算机可读介质、物流*** |
CN108564326B (zh) * | 2018-04-19 | 2021-12-21 | 安吉汽车物流股份有限公司 | 订单的预测方法及装置、计算机可读介质、物流*** |
CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
CN109242166A (zh) * | 2018-08-25 | 2019-01-18 | 中科绿建(天津)科技发展有限公司 | 一种基于多尺度深度神经网络的环境预测防控*** |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及*** |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体*** |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110334382A (zh) * | 2019-05-09 | 2019-10-15 | 电子科技大学 | 一种基于循环神经网络的汽车车窗起雾状况预测方法 |
CN110543931A (zh) * | 2019-07-26 | 2019-12-06 | 浙江工业大学 | 一种基于时刻关联网络的pm2.5浓度值预测方法 |
CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及*** |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN112990531B (zh) * | 2020-12-23 | 2021-11-19 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN112884243A (zh) * | 2021-03-16 | 2021-06-01 | 杭州职业技术学院 | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107909206B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN107682216B (zh) | 一种基于深度学习的网络流量协议识别方法 | |
CN106548645B (zh) | 基于深度学习的车辆路径寻优方法及*** | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN109493599A (zh) | 一种基于生成式对抗网络的短时交通流预测方法 | |
CN106910351A (zh) | 一种基于深度强化学习的交通信号自适应控制方法 | |
CN103679611B (zh) | 基于案例推理的城市综合应急智能仿真***的运行方法 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN107564025A (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及*** | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN107085942A (zh) | 一种基于狼群算法的交通流预测方法、装置及*** | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN107563122A (zh) | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN106570522A (zh) | 物体识别模型的建立方法及物体识别方法 | |
CN106650933A (zh) | 基于协同进化和反向传播的深度神经网络优化方法 | |
CN104424507A (zh) | 一种回声状态网络的预测方法和预测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |