CN109376903B - 一种基于博弈神经网络的pm2.5浓度值预测方法 - Google Patents
一种基于博弈神经网络的pm2.5浓度值预测方法 Download PDFInfo
- Publication number
- CN109376903B CN109376903B CN201811050495.3A CN201811050495A CN109376903B CN 109376903 B CN109376903 B CN 109376903B CN 201811050495 A CN201811050495 A CN 201811050495A CN 109376903 B CN109376903 B CN 109376903B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- layer
- output
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于博弈神经网络的PM2.5浓度值预测方法，包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；步骤2、采用生成网络生成模拟数据；步骤3、采用判别网络判断模拟数据的真伪；步骤4、采用博弈神经网络预测PM2.5浓度值。本发明在对PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据进行非线性相关分析之外，还引入一个生成网络将原始数据与噪声混合输出模拟数据，并将模拟数据送入判别网络进行判别，根据判别结果进行交次迭代与调整，针对小数据集，无需预设目标模型，可以准确描述PM2.5浓度值时间变化规律。
Description
技术领域
本发明涉及空气颗粒物PM2.5浓度值的预测技术领域，尤其涉及一种基于博弈神经网络的PM2.5浓度值预测方法。
背景技术
PM2.5是指大气中直径小于或等于2.5微米的颗粒物，富含大量的有毒、有害物质且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大，PM2.5超标还带来了另外一个影响——灰霾天气。空气污染如今已经成为人们关注的焦点，而在空气污染指标中，PM2.5浓度值已经成为衡量空气质量的标志性检测指标。现如今，根据历史数据对未来时间段PM2.5浓度值的预测已经成为具有较强学术意义和应用价值的研究问题。
为了解决上述问题，张怡文等人在论文《基于神经网络的PM2.5预测模型》中，通过选择神经网络方法进行PM2.5的浓度值预测。王敏等人在论文《基于BP人工神经网络的城市PM2.5浓度空间预测》中，采用BP人工神经网络模型,预测研究区空气中PM2.5浓度的空间变异。郑毅等人在论文《基于深度信念网络的PM2.5预测》中，提出一种基于深度信念网络的区域PM2.5日均值预测方法。杨云等人在论文《关于空气中PM2.5质量浓度预测研究》中，提出了采用遗传算法优化的BP神经网络的预测方法实现了PM2.5浓度值的预测。马天成等人在论文《基于改进型PSO的模糊神经网络PM2.5浓度预测》中，采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合来预测PM2.5颗粒物浓度的变化规律。杨云等人在论文《基于T-S模型模糊神经网络的PM2.5质量浓度预测》中，提出了基于T-S模糊神经网络的PM2.5质量浓度预测方法。苏盈盈等人在专利《基于无迹卡尔曼神经网络的PM2.5浓度预测方法》中，提供了一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法。
经文献调研分析，目前已提出的PM2.5浓度值预测方法均以神经网络为核心架构，对PM2.5浓度值以及其他相关指标(比如AQI、PM10、NO2、CO、SO2、O3)进行非线性回归分析。神经网络模型包含ANN，DNN，FNN和BPNN等，以及结合遗传算法、随机森林等优化算法优化后的混合方法。但是，经文献调研，现有PM2.5浓度值神经网络预测方法中都需要积累大量的历史数据用以训练，最终的预测精度与原始样本数据的大小也有一定关系，而对于无大量数据积累的小样本集，现有的神经网络预测方法就失去了其优势。其次，现有的神经网络预测模型都是定义已知模型对数据进行训练，即学习目标的分布类型已经既定，实际工作主要为学习并调整该分布的具体参数。
发明内容
为了克服已有PM2.5浓度值预测方式无法训练小数据集以及目标模型需要事先定义的不足，本发明在对PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据进行非线性相关分析之外，还引入一个生成网络将原始数据与噪声混合输出模拟数据，并将模拟数据送入判别网络进行判别，根据判别结果进行交次迭代与调整，提供一种针对小数据集，无需预设目标模型，可以准确描述PM2.5浓度值时间变化规律的基于博弈神经网络的PM2.5浓度值预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于博弈神经网络的PM2.5浓度值预测方法，所述方法包括如下步骤：
步骤1、原始数据采集。原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；
步骤2、采用生成网络生成模拟数据，过程如下：
步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤2.2、分别设定输入层、输出层数据的维度，隐含层、连接层和输出层的训练函数、连接函数和输出函数，设定网络的期望误差最小值、最大迭代次数和学习率；
步骤2.3、随机产生一组随机数据作为生成模型的输入层数据，然后经过生成模型后在输出层产生一组新的PM2.5预测数据，作为Fake Data，记作D(m)；
步骤3、采用判别网络判断模拟数据的真伪，过程如下：
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数；所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤3.2、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；
其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为C，Si表示的是当前元素的指数与所有元素指数和的比值；
步骤3.3、从数据集中随机选择一组数据作为Real Data，记作x；
步骤3.4、将D(m)和作为x输入数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示输入数据为Real Data的概率，real为1，fake为0；
步骤4、采用博弈神经网络预测PM2.5浓度值，过程如下：
步骤4.1、将生成网络中生成的模拟数据与原始数据输入判别神经网络，建立博弈神经网络并训练；
步骤4.2、计算判别网络损失函数：
LD＝-((1-y)log(1-D(G(m)))+ylogD(x)) ⑷
y为输入数据的类型，当输入数据为Real Data数据时，y＝1，损失函数公式的前半部分为0。D(x)为判别模型的输出，表示输入x为real数据的概率，训练目标要使得判别网络的输出D(x)的输出趋向于1；
当输入数据为Fake Data数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成模型的输出，此时的训练目标要使得D(G(m))的输出趋向于0；
步骤4.3、计算生成网络损失函数：
LG＝(1-y)log(1-D(G(m))) ⑸
生成网络的训练目标是要使得G(m)产生的数据与真实数据具备同样的数据分布；
步骤4.4、计算博弈神经网络的损失函数：
其中，
表示判别模型的预测类别，对预测概率取整为0或者1，用于更改梯度方向；
步骤4.5、根据损失函数的误差进行反向传播，调整循环神经网络的各层权值，调整方式如下：
调整规则为：最大化D的区分度，最小化G和real数据集的数据分布；
步骤4.6、判断博弈神经网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述博弈神经网络训练完成；
步骤4.7、将待测数据输入到所述训练完成的博弈神经网络中，输出PM2.5浓度值的最终预测值。
进一步，所述PM2.5浓度值指标包括AQI、PM10、NO2、CO、SO2和O3浓度。
本发明中，所述步骤3中，使用了判别网络对原始数据和生成网络的模拟数据进行判别，得到生成网络模拟数据的真实性。
所述步骤4中，通过对生成网络和判别网络分别计算损失函数，得到博弈神经网络总的损失函数，并依据经由损失函数计算得到的损失值定义了反向传播的权值调整规则。
本发明的技术构思为：在对PM2.5浓度值历史数据，PM2.5浓度值相关指标的历史数据(AQI、PM10、NO2、CO、SO2、O3)和气象历史数据(气温、相对湿度、气压、风速、降水量等)数据进行非线性相关分析之外，还引入一个生成网络将原始数据与噪声混合输出模拟数据，并将模拟数据送入判别网络进行判别，根据判别结果进行交次迭代与调整，提供一种基于博弈神经网络的PM2.5浓度值预测方法。
本发明的有益效果主要表现在：本发明的技术方案不仅能够准确地处理具备大量历史数据积累的完备样本集，同样可以高效高精度地处理无大量数据积累的小样本集，并且不需要定义已知模型对数据进行训练，即无需预设学习目标的分布类型，有效地提高当前PM2.5浓度值的预测精度与训练速度，拓宽了神经网络训练的局限性，能够实现小样本集的精准预测。
附图说明
图1是一种基于博弈神经网络的PM2.5浓度值预测方法示意图。
图2是生成网络的模拟流程图。
图3是判别网络的判别流程图。
图4是博弈神经网络的训练流程图
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于博弈神经网络的PM2.5浓度值预测方法，所述方法包括如下步骤：
步骤1、原始数据采集。原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标(比如AQI、PM10、NO2、CO、SO2、O3)历史数据和气象历史数据；
步骤2、采用生成网络生成模拟数据，过程如下：
步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数。所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤2.2、分别设定输入层、输出层数据的维度，隐含层、连接层和输出层的训练函数、连接函数和输出函数，设定网络的期望误差最小值、最大迭代次数和学习率；
步骤2.3、随机产生一组随机数据作为生成模型的输入层数据，然后经过生成模型后在输出层产生一组新的PM2.5预测数据，作为Fake Data，记作D(m)；
步骤3、采用判别网络判断模拟数据的真伪，过程如下：
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤3.2、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；
其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为C，Si表示的是当前元素的指数与所有元素指数和的比值；
步骤3.3、从数据集中随机选择一组数据作为Real Data，记作x；
步骤3.4、将D(m)和作为x输入数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示输入数据为Real Data的概率，real为1，fake为0；
步骤4、采用博弈神经网络预测PM2.5浓度值，过程如下：
步骤4.1、将生成网络中生成的模拟数据与原始数据输入判别神经网络，建立博弈神经网络并训练；
步骤4.2、计算判别网络损失函数：
LD＝-((1-y)log(1-D(G(m)))+ylogD(x)) ⑷
y为输入数据的类型，当输入数据为Real Data数据时，y＝1，损失函数公式的前半部分为0，D(x)为判别模型的输出，表示输入x为real数据(y＝1，代表是real数据)的概率，训练目标要使得判别网络的输出D(x)的输出趋向于1；
当输入数据为Fake Data数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成模型的输出，此时的训练目标要使得D(G(m))的输出趋向于0；
步骤4.3、计算生成网络损失函数：
LG＝(1-y)log(1-D(G(m))) ⑸
生成网络的训练目标是要使得G(m)产生的数据与真实数据具备同样的数据分布；
步骤4.4、计算博弈神经网络的损失函数：
其中，
表示判别模型的预测类别，对预测概率取整为0或者1，用于更改梯度方向，阈值设置为0.5；
步骤4.5、根据损失函数的误差进行反向传播，调整循环神经网络的各层权值，调整方式如下：
调整规则为：最大化D的区分度，最小化G和real数据集的数据分布；
步骤4.6、判断博弈神经网络是否收敛，当误差小于期望误差最小值时，算法收敛；在达到最大迭代次数时结束算法，所述博弈神经网络训练完成；
步骤4.7、将待测数据输入到所述训练完成的博弈神经网络中，输出PM2.5浓度值的最终预测值。
Claims (2)
1.一种基于博弈神经网络的PM2.5浓度值预测方法，其特征在于，所述方法包括如下步骤：
步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、PM2.5浓度值指标历史数据和气象历史数据；
步骤2、采用生成网络预测生成模拟数据，过程如下：
步骤2.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数，所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤2.2、分别设定输入层、输出层数据的维度，隐含层、连接层和输出层的训练函数、连接函数和输出函数，设定网络的期望误差最小值、最大迭代次数和学习率；
步骤2.3、随机产生一组随机数据作为生成网络的输入层数据，然后经过生成网络后在输出层产生一组新的PM2.5模拟数据，作为Fake Data，记作D(m)；
步骤3、采用判别网络判断模拟数据的真伪，过程如下：
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络，设定隐含层和输出层的节点个数；所述隐含层的节点个数采用经验公式给出估计值，所述经验公式如下：
上式中，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤3.2、在输出层之后连接一层softmax函数，将多分类的输出数值转化为相对概率；
其中，Vi是分类器前级输出单元的输出，i表示类别索引，总的类别个数为C，Si表示的是当前元素的指数与所有元素指数和的比值；
步骤3.3、从数据集中随机选择一组数据作为Real Data，记作x；
步骤3.4、将D(m)和x作为输入数据输入判别网络中，经过判别网络后输出值为一个0到1之间的数，用于表示输入数据为Real Data的概率，real为1，fake为0；
步骤4、采用博弈神经网络预测PM2.5浓度值，过程如下：
步骤4.1、将生成网络中生成的模拟数据与原始数据输入判别网络，建立博弈神经网络并训练；
步骤4.2、计算判别网络损失函数：
LD＝-((1-y)log(1-D(G(m)))+y log D(x)) ⑷
y为输入数据的类型，当输入数据为Real Data数据时，y＝1，损失函数公式的前半部分为0，D(x)为判别网络的输出，表示输入x为real数据的概率，训练目标要使得判别网络的输出D(x)的输出趋向于1；
当输入数据为Fake Data数据时，y＝0，损失函数公式的后半部分为0，G(m)是生成网络的输出，此时的训练目标要使得D(G(m))的输出趋向于0；
步骤4.3、计算生成网络损失函数：
LG＝(1-y)log(1-D(G(m))) ⑸
生成网络的训练目标是要使得G(m)产生的数据与真实数据具备同样的数据分布；
步骤4.4、计算博弈神经网络的损失函数：
其中，
表示判别网络的预测类别，对预测概率取整为0或者1，用于更改梯度方向；
步骤4.5、根据损失函数的误差进行反向传播，调整循环神经网络的各层权值，调整方式如下：
调整规则为：最大化D的区分度，最小化G和real数据集的数据分布；
步骤4.6、判断博弈神经网络是否收敛，当误差小于期望误差最小值时，算法收敛，在达到最大迭代次数时结束算法，所述博弈神经网络训练完成；
步骤4.7、将待测数据输入到训练完成得到的博弈神经网络中，输出PM2.5浓度值的最终预测值。
2.如权利要求1所述的一种基于博弈神经网络的PM2.5浓度值预测方法，其特征在于，所述PM2.5浓度值指标包括AQI、PM10、NO2、CO、SO2和O3浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811050495.3A CN109376903B (zh) | 2018-09-10 | 2018-09-10 | 一种基于博弈神经网络的pm2.5浓度值预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811050495.3A CN109376903B (zh) | 2018-09-10 | 2018-09-10 | 一种基于博弈神经网络的pm2.5浓度值预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376903A CN109376903A (zh) | 2019-02-22 |
| CN109376903B true CN109376903B (zh) | 2021-12-17 |
Family
ID=65405373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811050495.3A Active CN109376903B (zh) | 2018-09-10 | 2018-09-10 | 一种基于博弈神经网络的pm2.5浓度值预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376903B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766222B (zh) * | 2019-10-22 | 2023-09-19 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| CN111737429B (zh) * | 2020-06-16 | 2023-11-03 | 平安科技（深圳）有限公司 | 训练方法、ai面试方法及相关设备 |
| CN112183872A (zh) * | 2020-10-10 | 2021-01-05 | 东北大学 | 结合生成对抗网络与神经网络的高炉煤气发生量预测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100612862B1 (ko) * | 2004-10-05 | 2006-08-14 | 삼성전자주식회사 | 스포츠 동영상의 요약 방법 및 장치 |
| CN105956691A (zh) * | 2016-04-25 | 2016-09-21 | 北京市环境保护监测中心 | 预测区域不同方位、观测点pm2.5背景浓度计算方法 |
| CN106056210B (zh) * | 2016-06-07 | 2018-06-01 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
| CN107358626B (zh) * | 2017-07-17 | 2020-05-15 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
| CN107247888B (zh) * | 2017-08-14 | 2020-09-15 | 吉林大学 | 基于储备池网络的污水处理出水总磷tp软测量方法 |
| CN107766815B (zh) * | 2017-10-18 | 2021-05-18 | 福州大学 | 一种视觉辅助服务运营方法 |
| CN108334977B (zh) * | 2017-12-28 | 2020-06-30 | 鲁东大学 | 基于深度学习的水质预测方法及*** |
| CN108268935B (zh) * | 2018-01-11 | 2021-11-23 | 浙江工业大学 | 一种基于时序循环神经网络的pm2.5浓度值预测方法及*** |
| CN108491497B (zh) * | 2018-03-20 | 2020-06-02 | 苏州大学 | 基于生成式对抗网络技术的医疗文本生成方法 |
| CN108426812B (zh) * | 2018-04-08 | 2020-07-31 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
-
2018
- 2018-09-10 CN CN201811050495.3A patent/CN109376903B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376903A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
| CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及*** | |
| CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合*** | |
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及*** | |
| CN109376903B (zh) | 一种基于博弈神经网络的pm2.5浓度值预测方法 | |
| CN103166830B (zh) | 一种智能选择训练样本的垃圾邮件过滤***和方法 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
| CN102313796A (zh) | 一种污水处理生化需氧量软测量方法 | |
| CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及*** | |
| Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
| Song et al. | Study on turbidity prediction method of reservoirs based on long short term memory neural network | |
| Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
| CN115656446B (zh) | 一种基于物联网的空气质量检测***及方法 | |
| Feng et al. | A dual-staged attention based conversion-gated long short term memory for multivariable time series prediction | |
| CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
| CN114461791A (zh) | 一种基于深度量子神经网络的社交文本情感分析*** | |
| Kang et al. | Fine dust forecast based on recurrent neural networks | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
| CN112991765B (zh) | 一种道路高排放源识别模型更新方法、终端及存储介质 | |
| CN105974058A (zh) | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190222 Assignee: Hangzhou Youshu Cloud Travel Information Technology Co.,Ltd. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980054817 Denomination of invention: A Game Neural Network Based Method for Predicting PM2.5 Concentration Values Granted publication date: 20211217 License type: Common License Record date: 20240102 Application publication date: 20190222 Assignee: Hangzhou Tianyin Computer System Engineering Co.,Ltd. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980054814 Denomination of invention: A Game Neural Network Based Method for Predicting PM2.5 Concentration Values Granted publication date: 20211217 License type: Common License Record date: 20240102 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190222 Assignee: HANGZHOU YONGGUAN NETWORK TECHNOLOGY CO.,LTD. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2024980000361 Denomination of invention: A Game Neural Network Based Method for Predicting PM2.5 Concentration Values Granted publication date: 20211217 License type: Common License Record date: 20240109 |