CN111275168A - 基于卷积全连接的双向门控循环单元的空气质量预测方法 - Google Patents
基于卷积全连接的双向门控循环单元的空气质量预测方法 Download PDFInfo
- Publication number
- CN111275168A CN111275168A CN202010054277.8A CN202010054277A CN111275168A CN 111275168 A CN111275168 A CN 111275168A CN 202010054277 A CN202010054277 A CN 202010054277A CN 111275168 A CN111275168 A CN 111275168A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- air quality
- prediction method
- quality prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003915 air pollution Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000288105 Grus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Mathematical Physics (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了一种基于卷积全连接的双向门控循环单元的空气质量预测方法,利用卷积神经网络提取出气象数据所包含的深度特征,随后利用循环神经网络学习数据的时序性和连贯性,最后通过全连接层预测所需的下一时刻的数据。在本专利中,由于气象数据对抗旋转性无较高要求,故我们选用一种特殊的无池化层的卷积网络提取相关特征。本方法可以在大量的学习样本中较为准确的预测数后一时刻的空气污染指标。从整体来看,本方法不仅可以预测单一指标,同时也可以预测输入数据特征的所有指标,一定程度上可以结合全局特征进行合理的预测,实现本专利中的预测功能。
Description
技术领域
本发明属于深度学习领域,具体涉及一种基于卷积全连接的双向门控循环单元的空气质量预测方法。
背景技术
随着科技的快速发展,人工智能与深度学习已经得到了广泛应用。目前,雾霾预测的方法大致可分为三种类别:第一类是统计方法,第二类是传统的预测方法,第三类是深度学习算法。统计方法包括线性回归,灰色***预测,马尔可夫预测等。大多数统计模型对数据都有一定的要求,并且这些模型也具有相对清晰的数学形式,很难用有限的数学公式描述具有复杂成分的数据。传统方法简单,理论成熟,易于实施,仅需搜索各种指标的历史统计数据即可建立出有效的学习模型。传统分析使分析未来的发展变得容易,尤其是短期趋势。深度学习算法可以建立环境指标与环境指标之间的内在映射关系,其预测精度明显高于传统的分析方法并且可以精确到特定的日期。为此,基于卷积全连接的双向门控循环单元神经网络(CDBGRU)被提出,相比其他方法,本方法在空气质量数据预测上具有更好的性能。
空气质量研究历史悠久,现有的大多数统计方法和浅层机器学习技术都可以解决空气质量预测问题。支持向量回归(SVR),决策树回归(DTR)和梯度增强回归(GBR)等模型具有良好的性能。作为常见的回归器,SVR在许多情况下均具有良好的性能损失函数。根据核函数的类型,SVR可分为线性SVR,多项式SVR和rbf核SVR,大量的实验证明当数据较为复杂时rbf核SVR具有更好的性能,例如空气质量数据。DTR是基于决策树的算法,所以通常使用CART决策树进行回归。GBR是一种梯度提升模型,是一种从错误中学习的方法。本质上,它是收集信息并整合大量的算法进行学习。另外,许多研究显示空气质量数据中每个要素之间都有直接或者间接的关系。
但是,随着深度学习和大数据分析研究越来越深入,更多的研究者考虑如何将深度学习模型与空气质量数据结合,这是因为空气质量相关数据具备明显的动态时间序列关系和动态非线性特征,在这些关系下数据驱动模型逐渐被越来越多的研究者利用。到目前为止,大量的基于大数据分析和数据驱动的模型被提出,无一例外的在预测每个特征和污染值上都取得了较好的结果。由于气象数据复杂度较高且时序性过强,单一的CNN网络或RNN网络都很难适应当前的预测需求。而对于已经提出的CNN和RNN相结合的模型,无一例外这些模型都无法很好的提取出所需的深层特征用于预测。结合气象数据无需较强的抗旋转性,本专利提出一种基于无池化层的CNN和RNN相结合的网络模型,我们称之为基于卷积全连接的双向门控循环单元模型(CBDGRU)。
发明内容
发明目的:本发明提出一种基于卷积全连接的双向门控循环单元的空气质量预测方法,可以预测输入数据特征的所有指标,可以结合全局特征进行合理的预测,实现精准的预测功能。
技术方案:本发明所述的一种基于卷积全连接的双向门控循环单元的空气质量预测方法,包括以下步骤:
(1)利用卷积神经网络提取出预先获取的气象数据的深度特征;
(2)利用双向门控循环单元学习数据的时序性和连贯性;
(3)通过额外的两个全连接层预测所需的下一时刻的数据。
进一步地,步骤(1)所述的卷积神经网络用1X2卷积核的CNN+Relu代替原来的池化层,对输入变量进行局部特征学习和降维。
进一步地,步骤(2)所述的双向门控循环单元由两个现有的门控循环单元组成,其中一个GRU处理按时间顺序输入的时间序列数据,另一个GRU处理反时间序列数据,然后将它们的表示合并在一起。
进一步地,步骤(2)所述门控循环单元的下一个输出和状态值的计算公式如下:
zt=σ(Wz*[x(t),h(t-1)])
rt=σ(Wr*[x(t),h(t-1)])
其中,σ表示激活函数,x(t)代表输入,h(t-1)代表前一刻的输出,Wz,Wr,Wh分别代表更新门,重置门和候选输出的权重。
进一步地,步骤(3)所述全连接层最后一层只包含一个通道来预测PM2.5的浓度值。
有益效果:与现有技术相比,本发明的有益效果:空气质量数据的特征是通过卷积和全连接提取的,该数据在大规模数据上具有良好的性能,并且作为时间序列,空气质量数据适合Bi-GRU;且采用该发明预测结果更准确。
附图说明
图1为基于卷积全连接的双向门控循环单元模型结构示意图;
图2为北京空气质量数据的指标以及变化趋势图;
图3为一维卷积的示意图;
图4为双向GRU的结构示意图;
图5为采用本发明的预测结果与真实结果的对比图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。
本专利提出了一种基于卷积全连接的双向门控循环单元的PM2.5预测方法,具体结构如图1所示。一般来说,由于不同的时间序列总是有不同的表示形式和结构,与空气质量相关的时间序列的统计特性不同,浅层机器学习模型不能很好地处理复杂的场景。因此,许多研究者对混合式深度学习模型进行了研究,该模型通常能有效地提高经典深度学习模型的性能。而在本文方法中,模型能够有效的处理各种复杂的场景和时间序列,当作用于空气质量数据上时,模型能够有效的预测出后一时刻的各项空气污染指标尤其是PM2.5浓度,从而达到提前预防的作用,利用本专利设计的基于卷积全连接的双向门控循环单元简称为CDBGRU。
本专利主要包括以下三个步骤:
(1)利用卷积神经网络提取出预先获取的气象数据的深度特征:用于本地时序特征学***移不变性,因此本文选择了1X2卷积核的CNN+Relu来代替原来的池化层,对输入变量进行局部特征学习和降维,不仅缩短了输入时间序列的长度,而且保留了大气污染数据的大部分特征。卷积网络示意图如图3所示。
(2)利用双向门控循环单元学习数据的时序性和连贯性:众所周知,RNN是为处理序列数据而发展起来的一种特殊的神经网络。然而,由于RNN的消失梯度和***梯度等缺点,使得RNN很难学习到长时间序列的空气质量数据等长期相关任务。为了解决这一问题,LSTM、GRU及其变种被提出。LSTM通过包含门(输入门、遗忘门和输出门)来跟踪长期信息。GRU是LSTM的改进版本,它还可以学习长期依赖关系。与LSTM不同,GRU没有存储单元,只有2个门,即更新门和重置门,而不是3个门。与LSTM相比,GRU具有结构简单、计算量小、训练速度快等优点。
在GRU中,更新门决定哪些信息可以保留到下一个状态,而重置门表示如何将上一个状态信息与新的输入信息组合在一起。GRU单元下一个输出和状态值的计算公式如下。
zt=σ(Wz*[x(t),h(t-1)])
rt=σ(Wr*[x(t),h(t-1)])
其中,σ表示激活函数,x(t)代表输入,h(t-1)代表前一刻的输出,Wz,Wr,Wh分别代表更新门,重置门和候选输出的权重。
双向GRU由两个GRU组成,其中一个GRU处理按时间顺序输入的时间序列数据,另一个GRU处理反时间序列数据,然后将它们的表示合并在一起。空气质量和气象等特征服从一个连续函数,在这个函数中,我们可以从历史观测值拟合一个函数,通过观测值来预测未来的数据。同样地,未来的数据可以被用来预测前一时刻的值,这通常用于反向传播。对于时间序列预测任务,我们知道只有历史数据才能提供预测能力,但是这种双向训练模型的方法可以在建模时提供更多有用的信息。通过从两个方向查看气象和PM2.5数据,使得模型能够获得更丰富的表示和捕捉模式,在使用单向GRU时可能会被忽略,从而提高了普通GRU的性能。双向GRU的结构如图4所示。
(3)通过额外的两个全连接层预测所需的下一时刻的数据:
将两个额外的全连接层叠加起来,最后一层只包含一个通道来预测PM2.5的浓度值。全连接层通常在整个网络中扮演分类器或回归器的角色。它将学习到的分布式特征表示映射到样本标记空间。由于这些层中参数众多,使用多个全连接层可以提高模型的精度。
本专利使用北京空气质量数据集,其部分数据如图2所示,其中包括Pm2.5值数据和其他功能,例如日期,时间,温度,湿度,风速,风向以及其他空气污染指标。数据集中的数据间隔为一小时,用于实验的数据集的范围为2018年1月1日至2019年7月1日。
首先对d*n维的数据进行0-1归一化,然后开始进入网络,在通过两层1*3卷积核的卷积层和激活层后得到较为初始的数据,然后利用1*2卷积核的卷积层和激活层得到卷积后的深度特征数据。然后该数据将进入循环神经元,在该神经元中我们设置隐层神经元个数为80,一共两层循环神经元,lookback大小设置为15。在整体模型上,模型训练的loss采用MSE,为防止过拟合,我们把训练次数设置为100次,模型的batch size设置为80,最终的全连接层有d个通道,代表最后输出一个d*1维的数据,从而达到预测的目的。最终,我们选择输出中代表PM2.5浓度的特征来表示模型最后的输出,从而完成了整个模型的预测功能。
误差度量我们选择均方根误差(RMSE)作为损耗函数,RMSE可以更好地展示预测误差的实际情况。除了R-Square,还用作模型的错误评估指标,可以评估数据的变化程度和准确性,测量预测模型的质量。我们选择其他八种模型来对比我们的模型,即支持向量回归(SVR),梯度提升回归器(GBR),决策树回归器,简单的RNN,LSTM,GRU,双向GRU(BGRU)和Convnet双向GRU(CBGRU)。对于深度学***均值。获得训练后的模型后,测试每个测试数据集中的数据,并对MAE,RMSE和R-Square进行测试计算。在实验中,需要找出最佳性能的模型。通过实验可以发现随着神经元数量的增加,模型的优劣首先变得更好,后来变得更糟。当神经元数量是80,模型效果最好。为了验证CDBGRU的效率和准确性,实验对比了其他模型。结果表明,我们的模型可以更准确的预测数据。它是时间序列信息和长期依赖关系。为了更好地评估性能参数,我们选择评估训练集和测试集。
本发明的预测结果对比如表1所示,从表1我们可以发现,浅层模型通常比深层学***方较小。对于深度学习方法,LSTM和GRU具有相似的性能,并且都优于RNN。当加入双向训练模型时,性能得到改善,双向训练模型可以提高网络的稳定性。与CBGRU相比,由于增加了卷积网络和全连接层,该模型具有更好的性能。结果表明,我们的方法可以学习更多的局部时序信息、时间序列信息和长期相关性。其中RMSE代表了预测值与实际值的误差,一般认为指标越小越好。R-Square衡量数据对模型拟合程度的好坏,一般认为越大越好。从图5中我们可以看出本专利方法的预测结果与真实结果基本吻合,误差较小。
表1
Claims (5)
1.一种基于卷积全连接的双向门控循环单元的空气质量预测方法,包括以下步骤:
(1)利用卷积神经网络提取出预先获取的气象数据的深度特征;
(2)利用双向门控循环单元学习数据的时序性和连贯性;
(3)通过额外的两个全连接层预测所需的下一时刻的数据。
2.根据权利要求1所述的基于卷积全连接的双向门控循环单元的空气质量预测方法,其特征在于,步骤(1)所述的卷积神经网络用1X2卷积核的CNN+Relu代替原来的池化层,对输入变量进行局部特征学习和降维。
3.根据权利要求1所述的基于卷积全连接的双向门控循环单元的空气质量预测方法,其特征在于,步骤(2)所述的双向门控循环单元由两个现有的门控循环单元组成,其中一个GRU处理按时间顺序输入的时间序列数据,另一个GRU处理反时间序列数据,然后将它们的表示合并在一起。
5.根据权利要求1所述的基于卷积全连接的双向门控循环单元的空气质量预测方法,其特征在于,步骤(3)所述全连接层最后一层只包含一个通道来预测PM2.5的浓度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054277.8A CN111275168A (zh) | 2020-01-17 | 2020-01-17 | 基于卷积全连接的双向门控循环单元的空气质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054277.8A CN111275168A (zh) | 2020-01-17 | 2020-01-17 | 基于卷积全连接的双向门控循环单元的空气质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275168A true CN111275168A (zh) | 2020-06-12 |
Family
ID=71000608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010054277.8A Pending CN111275168A (zh) | 2020-01-17 | 2020-01-17 | 基于卷积全连接的双向门控循环单元的空气质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275168A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950698A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报***、计算机设备、存储介质 |
CN112686105A (zh) * | 2020-12-18 | 2021-04-20 | 云南省交通规划设计研究院有限公司 | 一种基于视频图像多特征融合的雾浓度等级识别方法 |
CN113449462A (zh) * | 2021-06-09 | 2021-09-28 | 淮阴工学院 | 一种基于MALO-BiGRU的超短期风速预测方法及*** |
CN113496310A (zh) * | 2021-06-16 | 2021-10-12 | 国家超级计算深圳中心(深圳云计算中心) | 基于深度学习模型的大气污染物预测方法和*** |
CN113762351A (zh) * | 2021-08-12 | 2021-12-07 | 吉林大学 | 一种基于深层过渡网络的空气质量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
-
2020
- 2020-01-17 CN CN202010054277.8A patent/CN111275168A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
Non-Patent Citations (4)
Title |
---|
QI WANG ET AL.: "An Attention-based Bi-GRU-CapsNet Model for Hypernymy Detection between Compound Entities" * |
张国豪;刘波;: "采用CNN和Bidirectional GRU的时间序列分类研究" * |
牛哲文等: "基于深度门控循环单元神经网络的短期风功率预测模型" * |
黄婕;张丰;杜震洪;刘仁义;曹晓裴;: "基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓度预测" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950698A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报***、计算机设备、存储介质 |
CN112686105A (zh) * | 2020-12-18 | 2021-04-20 | 云南省交通规划设计研究院有限公司 | 一种基于视频图像多特征融合的雾浓度等级识别方法 |
CN113449462A (zh) * | 2021-06-09 | 2021-09-28 | 淮阴工学院 | 一种基于MALO-BiGRU的超短期风速预测方法及*** |
CN113449462B (zh) * | 2021-06-09 | 2023-06-20 | 淮阴工学院 | 一种基于MALO-BiGRU的超短期风速预测方法及*** |
CN113496310A (zh) * | 2021-06-16 | 2021-10-12 | 国家超级计算深圳中心(深圳云计算中心) | 基于深度学习模型的大气污染物预测方法和*** |
CN113762351A (zh) * | 2021-08-12 | 2021-12-07 | 吉林大学 | 一种基于深层过渡网络的空气质量预测方法 |
CN113762351B (zh) * | 2021-08-12 | 2023-12-05 | 吉林大学 | 一种基于深层过渡网络的空气质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275168A (zh) | 基于卷积全连接的双向门控循环单元的空气质量预测方法 | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
US20230063148A1 (en) | Transfer model training method and apparatus, and fault detection method and apparatus | |
CN112232577A (zh) | 用于多芯智能表的电力负荷概率预测***与方法 | |
CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
CN112508244A (zh) | 一种用户级综合能源***多元负荷预测方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN114065996A (zh) | 基于变分自编码学习的交通流预测方法 | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及*** | |
CN114897274A (zh) | 一种提升时间序列预测效果的方法和*** | |
CN117371335A (zh) | 一种基于动态组合模型的光伏发电功率超短期预测方法及*** | |
Zhang et al. | NAS4FBP: Facial beauty prediction based on neural architecture search | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测*** | |
CN116579408A (zh) | 一种基于模型结构冗余度的模型剪枝方法及*** | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
CN115834161A (zh) | 一种人工智能四层架构的电网假数据注入攻击检测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN113962424A (zh) | 基于PCANet-BiGRU的成绩预测方法、处理器、可读存储介质及计算机设备 | |
Nurmalasari et al. | Classification for Papaya Fruit Maturity Level with Convolutional Neural Network | |
Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine |
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 |