CN111798051B - 基于长短期记忆神经网络的空气质量时空预测方法 - Google Patents
基于长短期记忆神经网络的空气质量时空预测方法 Download PDFInfo
- Publication number
- CN111798051B CN111798051B CN202010629347.8A CN202010629347A CN111798051B CN 111798051 B CN111798051 B CN 111798051B CN 202010629347 A CN202010629347 A CN 202010629347A CN 111798051 B CN111798051 B CN 111798051B
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- long
- concentration
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 230000007787 long-term memory Effects 0.000 title claims abstract description 13
- 230000006403 short-term memory Effects 0.000 title claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013618 particulate matter Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000003915 air pollution Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 239000000356 contaminant Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 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
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (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)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于长短期记忆神经网络的空气质量时空预测方法。本发明整合实验站点及最近相邻站点的颗粒物浓度数据、同时期的气象数据及气态污染物数据，转换为监督学习的数据格式，对数据进行归一化处理，利用长短期记忆网络训练数据，得到空气质量浓度的预测序列。包括以下步骤：S1：获取历史空气质量数据和气象数据；S2：对历史空气质量进行数据预处理，包括异常值剔除、缺失值插值处理、相邻站点颗粒物浓度数据的提取以及数据归一化；S3：转换数据格式，从序列到输入和输出序列对；S4：划分数据集为训练集和测试集及初始化长短期记忆网络各种超参数；S5：通过在测试集上的预测检验模型效果。该发明方法能够提高空气质量数据的预测精度。
Description
技术领域
本发明涉及一种基于长短期记忆神经网络的空气质量时空预测方法，属于空气污染预测领域。
背景技术
近年来，随着社会的飞速发展，环境所承受的压力也越来越大，而一些严重的空气污染问题已经严重威胁到人们的健康。因此，空气质量的精准监测已经无法满足人们的需求，人们希望可以提前预知空气质量情况并及时做出警示和防御，最大化减轻对生命的威胁。然而预测空气质量浓度困难重重，它很容易受到其他因素的影响，如气象因素(温度、相对湿度、风速和降水等)、交通污染、工业排放等；另外，空气中各污染物之间复杂且不稳定性的相互影响同样为空气质量的预测带来了挑战。此外，空气质量预测不仅受上述因素的空间制约，在时间维度上，当前时刻的空气质量也会受到过去时刻空气质量的累积影响。所以我们既需要捕捉空间依赖性亦需要考虑时间依赖性。
近年来深度学***均模型(Auto-Regressive Integrated Moving Average model,简称ARIMA)，季节性(Seasonal ARIMA model,简称SARIMA)和向量自回归模型(Vector Auto-Regressivemodel,简称VAR)，VAR可以很好地捕获时间依赖性，但它无法处理空间相关性。研究人员也提出了许多联合模型，如Dongming等人提出的基于CNN和LSTM的城市PM2.5浓度联合预测方案；Yanlin等人提出的基于图卷积神经网络和长短期记忆的PM2.5时空预测混合模型；Yanlai等人提出的多输出LSTM(Deep Multi-output LSTM,简称DM-LSTM)深度神经网络模型；Congcong等人提出的新型的时空卷积长短期记忆神经网络等。上述模型都很好的捕捉了空气污染浓度数据的时空相关性，尽管如此，他们大多数只考虑到气象因素对空气污染浓度的影响，却忽略了空气中各污染物之间的相互作用；因为添加了全部监测站点的辅助数据，却因此导致不相关站点的干扰对模型准确性造成了负面影响。
发明内容
本发明为了应对上述模型存在的缺陷，提出了一种基于长短期记忆神经网络的空气质量时空预测方法，首先提取了距离各实验站点最近的且PM2.5浓度序列数据相关度最高的5个站点的浓度数据，避免相关性小的站点对模型准确性造成干扰，融合同一时刻的气象数据及SO2、NO2、O3、CO浓度数据作为模型的输入，然后转化数据格式为监督学习的格式，输入到具有n个隐藏层和一个全连接层的长短期记忆神经网络中进行训练，提取空气质量浓度数据的时空特征，利用t时刻前D个小时的数据对各站点在[t,t+1,…,t+N]时刻空气污染物数据(PM2.5、CO、NO2、O3、SO2)的浓度值进行预测。具体技术方案如下：
一种基于长短期记忆神经网络的空气质量时空预测方法，具体步骤如下：
步骤1：获取历史空气质量数据和气象数据；
步骤2：对历史空气质量进行数据预处理，包括异常值剔除、缺失值插值处理、相邻站点颗粒物浓度数据的提取以及数据归一化处理；
根据***推荐的Haversine公式根据每个站点的经纬度计算两个站点之间的距离、使用皮尔逊相关系数来度量连续变量之间的线性相关强度，Haversine计算公式如下：
其中，haversin(·)表示台站之间的距离，R为地球半径，可取平均值6371km，表示两点之间的纬度，Δλ表示两点纬度的差值。
皮尔逊相关系数计算公式如下：
其中，r(·)表示站点之间PM2.5浓度序列的相关系数，Cov(·)是协方差，σ(·)是标准偏差。
步骤3：转换数据格式、划分数据集。从序列到输入和输出序列对；将数据集划分为训练集和测试集；
步骤4：初始化长短期记忆网络(LSTM)的各种参数，并将训练集的数据输入到长短期记忆神经网络中进行训练，直至网络收敛，通过对比试验调节网络超参数，最终获得最佳参数；
步骤5：通过测试集数据的预测来检验模型效果，得到空气质量各污染指标的预测值。
本发明采用平均绝对误差(Mean Absolute Error,简称MAE)作为损失函数，计算公式如下：
其中yi表示真实的污染物浓度值，pi表示预测的污染物浓度值。
衡量预测方法性能的指标有三个，平均绝对误差(MAE)、均方根误差(Root MeanSquared Error,简称RMSE)和决定系数(R Squared,简称R2)，RMSE和R2的计算公式如下：
其中，yi表示真实的污染物浓度值，pi表示预测的污染物浓度值，表示的是污染物浓度的均值。
本发明的基于长短期记忆神经网络的空气质量时空预测方法，大大提高了空气质量浓度的预测精度。
附图说明
图1是本发明的方法流程图；
图2是整体预测方法的模型架构图；
图3是PM2.5的预测结果图；
图4是NO2的预测结果图；
图5是O3的预测结果图；
图6是CO的预测结果图；
图7是SO2的预测结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和2所示，本发明的基于长短期记忆神经网络的空气质量时空预测方法，具体步骤如下：
步骤1：获取历史空气质量数据和气象数据；
步骤2：对历史空气质量进行数据预处理，包括异常值剔除、缺失值插值处理、相邻站点颗粒物浓度数据的提取以及数据归一化处理；
步骤3：转换数据格式、划分数据集。从序列到输入和输出序列对；将数据集划分为训练集和测试集；
步骤4：初始化长短期记忆网络(LSTM)的各种参数，并将训练集的数据输入到长短期记忆神经网络中进行训练，直至网络收敛，通过对比试验调节网络超参数，最终获得最佳参数；
步骤5：通过测试集数据的预测来检验模型效果，得到空气质量各污染指标的预测值。
进一步地，所述步骤1具体为：
步骤1.1：获取历史空气质量数据，包括PM2.5浓度、SO2浓度、O3浓度、CO浓度和NO2浓度5个数据特征；
步骤1.2：获取气象数据，包括温度、露点、压强、风向和风速五个数据特征。
进一步地，所述步骤2具体为：
步骤2.1：异常值剔除。直接删除数据中存在明显异常值的记录；
步骤2.2：缺失值处理。缺失值采用插值的方法进行填充；
步骤2.3：相邻站点颗粒物浓度数据的提取。根据***推荐的Haversine公式根据每个站点的经纬度计算两个站点之间的距离、使用皮尔逊相关系数来度量连续变量之间的线性相关强度，选取相关性最高的临近五个站点的数据加入到模型中，使用相邻站点来提高预测精度。
Haversine计算公式如下：
其中，haversin(·)表示台站之间的距离，R为地球半径，可取平均值6371km，表示两点之间的纬度，Δλ表示两点纬度的差值。
皮尔逊相关系数计算公式如下：
其中，r(·)表示站点之间PM2.5浓度序列的相关系数，Cov(·)是协方差，σ(·)是标准偏差。
融合后的时间序列数据集表示为R，R中每一时刻的记录表示为：
r＝[pm2.5,near_1,near_2,near_3,near_4,near_5,temp，dew,press,wnd_dir,wnd_spd,SO2,NO2,O3,CO]。
其中pm2.5,near_1,near_2,near_3,near_4,near_5分别代表当前站点与相关性最高的临近五个站点的浓度；temp，dew,press,wnd_dir,wnd_spd分别代表同时期温度、露点、压强、风向、风速的数据；SO2,NO2,O3,CO分别代表各自对应浓度值；
步骤2.4：数据归一化处理。将数据缩放为[0,1]。
进一步地，所述步骤3具体为：
步骤3.1：转换数据格式。将原始数据序列转化为监督学习序列的格式，从时间序列到输入和输出序列对。该模型所用到的时间序列为多变量时间序列，通过指定输入和输出序列的长度，将多变量时间序列用于序列预测。给模型指定D为输入的时间步长，N为输出的时间步长，通过t-D,t-D+1,…,t-1这些时刻的所有数据特征来预测t,t+1,…,t+N时刻的值；
步骤3.2：划分数据集。将历史时序数据集按照7：3的比例划分为训练集和测试集。
进一步地，所述步骤4具体为：
步骤4.1：搭建LSTM的结构，包括输入层、隐藏层、全连接层(输出层)。设置最大纪元，隐藏层数及每层的神经元数，设置完全连接层及其神经元的数量；
步骤4.2：初始化LSTM神经单元的细胞状态和隐藏层状态；
步骤4.3：计算当前神经元的输入门、遗忘门、输出门的权值及当前记忆候选值；
步骤4.4：计算当前神经元的隐藏状态和记忆状态，并传递到下一个神经元；
步骤4.5：采用MAE作为损失函数，Adam作为优化算法，循环往复直至模型收敛；
步骤4.6：对比调参，获取最优参数并保存。包括最大纪元、神经元数、学习率、小批量大小、L2正则化系数、权重向量和偏向量。
进一步地，所述步骤5具体为：
步骤5.1：在测试集上使用训练好的预测模型对空气中污染指标进行预测，包括PM2.5、SO2、O3、CO、NO2这5个污染指标；
步骤5.2：将所有的预测结果同真实值进行对比，利用MAE、RMSE、R2作为模型的评估指标，得到模型的性能评估结果。
步骤5.3：最终的预测模型可以用于实际空气质量浓度的预测。
最终模型结果如表1所示，预测趋势图如图3-图7所示，由此可见，本发明中的方法实现了比较准确的预测效果。
表1预测结果表
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于长短期记忆神经网络的空气质量时空预测方法，其特征在于包括以下步骤：
步骤1：获取历史空气质量数据和气象数据；
步骤2：对历史空气质量进行数据预处理，包括异常值剔除、缺失值插值处理、相邻站点颗粒物浓度数据的提取以及数据归一化处理；
步骤3：转换数据格式、划分数据集；从时间序列到输入和输出序列对；将数据集划分为训练集和测试集；
步骤4：初始化长短期记忆网络LSTM的各种参数，并将训练集的数据输入到长短期记忆神经网络中进行训练，直至网络收敛，通过对比试验调节网络超参数，最终获得最佳参数；
步骤5：通过测试集数据的预测来检验长短期记忆网络效果，得到空气质量各污染指标的预测值；所述步骤1具体为：
步骤1.1：获取历史空气质量数据，包括PM2.5浓度、SO2浓度、O3浓度、CO浓度和NO2浓度5个数据特征；
步骤1.2：获取气象数据，包括温度、露点、压强、风向和风速五个数据特征；
所述步骤2具体为：
步骤2.1：异常值剔除，直接删除数据中存在明显异常值的记录；
步骤2.2：缺失值处理，缺失值采用插值的方法进行填充；
步骤2.3：相邻站点颗粒物浓度数据的提取，根据Haversine公式根据每个站点的经纬度计算两个站点之间的距离、使用皮尔逊相关系数来度量连续变量之间的线性相关强度，选取相关性最高的邻近五个站点的数据加入到模型中；融合后的时间序列数据集表示为R，R中每一时刻的记录表示为：
r＝[pm2.5,near_1,near_2,near_3,near_4,near_5,temp，dew,press,wnd_dir,
wnd_spd,SO2,NO2,O3,CO]；
其中pm2.5,near_1,near_2,near_3,near_4,near_5分别代表当前站点与相关性最高的临近五个站点的浓度；temp，dew,press,wnd_dir,wnd_spd分别代表同时期温度、露点、压强、风向、风速的数据；SO2,NO2,O3,CO分别代表各自对应浓度值；
步骤2.4：数据归一化处理，将数据缩放为[0,1]。
2.根据权利要求1所述的基于长短期记忆神经网络的空气质量时空预测方法，其特征在于所述步骤3具体为：
步骤3.1：转换数据格式，将原始数据序列转化为监督学习序列的格式，从时间序列到输入和输出序列对，该模型所用到的时间序列为多变量时间序列，通过指定输入和输出序列的长度，将多变量时间序列用于序列预测；给模型指定D为输入的时间步长，N为输出的时间步长，通过t-D,t-D+1,…,t-1这些时刻的所有数据特征来预测t,t+1,…,t+N时刻的值；
步骤3.2：划分数据集，将历史时序数据集按照7：3的比例划分为训练集和测试集。
3.根据权利要求1所述的基于长短期记忆神经网络的空气质量时空预测方法，其特征在于所述步骤4具体为：
步骤4.1：搭建LSTM的结构，包括输入层、隐藏层、全连接层；设置最大纪元，隐藏层数及每层的神经元数，设置完全连接层及其神经元的数量；
步骤4.2：初始化LSTM神经单元的细胞状态和隐藏层状态；
步骤4.3：计算当前神经元的输入门、遗忘门、输出门的权值及当前记忆候选值；
步骤4.4：计算当前神经元的隐藏状态和记忆状态，并传递到下一个神经元；
步骤4.5：采用MAE作为损失函数，Adam作为优化算法，循环往复直至模型收敛；
步骤4.6：对比调参，获取最优参数并保存；包括最大纪元、神经元数、学习率、小批量大小、L2正则化系数、权重向量和偏向量。
4.根据权利要求1所述的基于长短期记忆神经网络的空气质量时空预测方法，其特征在于所述步骤5具体为：
步骤5.1：在测试集上使用训练好的预测模型对空气中污染指标进行预测，包括PM2.5、SO2、O3、CO、NO2这5个污染指标；
步骤5.2：将所有的预测结果同真实值进行对比，利用平均绝对误差MAE、均方根误差RMSE、决定系数R2作为模型的评估指标，得到模型的性能评估结果；
步骤5.3：最终的预测模型用于实际空气质量浓度的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629347.8A CN111798051B (zh) | 2020-07-02 | 2020-07-02 | 基于长短期记忆神经网络的空气质量时空预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629347.8A CN111798051B (zh) | 2020-07-02 | 2020-07-02 | 基于长短期记忆神经网络的空气质量时空预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111798051A CN111798051A (zh) | 2020-10-20 |
| CN111798051B true CN111798051B (zh) | 2023-11-10 |
Family
ID=72811064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010629347.8A Active CN111798051B (zh) | 2020-07-02 | 2020-07-02 | 基于长短期记忆神经网络的空气质量时空预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798051B (zh) |
Families Citing this family (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465243B (zh) * | 2020-12-02 | 2024-01-09 | 南通大学 | 一种空气质量预报方法及*** |
| CN112418560B (zh) * | 2020-12-10 | 2024-05-14 | 长春理工大学 | 一种pm2.5浓度预测方法及*** |
| CN113723606A (zh) * | 2020-12-16 | 2021-11-30 | 中国计量大学上虞高等研究院有限公司 | 基于多任务多通道小波变换嵌套长短期记忆模型的多变量空气质量时间序列预测方法 |
| CN112434888A (zh) * | 2020-12-17 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法 |
| CN112782050A (zh) * | 2020-12-25 | 2021-05-11 | 杭州电子科技大学 | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 |
| CN112734106A (zh) * | 2021-01-08 | 2021-04-30 | 深圳市国电科技通信有限公司 | 用于预测能源负荷的方法及装置 |
| CN113190535B (zh) * | 2021-01-19 | 2023-04-18 | 云南卫士盾科技有限公司 | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 |
| CN112906941B (zh) * | 2021-01-21 | 2022-12-06 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及*** |
| 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 |
| CN113283155B (zh) * | 2021-03-22 | 2024-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、***、存储介质及设备 |
| CN113077097B (zh) * | 2021-04-14 | 2023-08-25 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
| US11512864B2 (en) * | 2021-04-14 | 2022-11-29 | Jiangnan University | Deep spatial-temporal similarity method for air quality prediction |
| CN113188968A (zh) * | 2021-05-06 | 2021-07-30 | 长沙理工大学 | 基于组合深度学习模型的空气污染物浓度预测方法及*** |
| CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学（武汉） | 一种基于季节性循环神经网络的空气质量预测方法 |
| CN113313235B (zh) * | 2021-05-25 | 2024-05-03 | 江南大学 | 一种基于改进的lstm的空气质量预测模型装置及方法 |
| CN113162811B (zh) * | 2021-06-01 | 2021-12-28 | 长扬科技（北京）有限公司 | 一种基于深度学习的工控网络流量异常检测方法及装置 |
| CN113379149A (zh) * | 2021-06-24 | 2021-09-10 | 合肥工业大学智能制造技术研究院 | 一种基于lstm神经网络的空气微站浓度预测方法 |
| CN113379146A (zh) * | 2021-06-24 | 2021-09-10 | 合肥工业大学智能制造技术研究院 | 一种基于多特征选择算法的污染物浓度反演方法 |
| CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
| CN113408807A (zh) * | 2021-06-28 | 2021-09-17 | 内蒙古显鸿科技股份有限公司 | 基于全连接和lstm神经网络的空气污染预测建模算法 |
| CN113610286B (zh) * | 2021-07-27 | 2024-03-29 | 中国地质大学（武汉） | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
| CN113869551A (zh) * | 2021-08-25 | 2021-12-31 | 国网上海市电力公司 | 一种考虑数据相关性的电动汽车充电负荷预测方法 |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及*** |
| CN113988400B (zh) * | 2021-10-22 | 2024-04-09 | 重庆工商大学 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
| CN113919231B (zh) * | 2021-10-25 | 2023-04-07 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及*** |
| CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
| CN114239943A (zh) * | 2021-12-09 | 2022-03-25 | 中国建筑科学研究院天津分院 | 一种气溶胶浓度预测方法 |
| CN114217025B (zh) * | 2021-12-17 | 2024-01-23 | 哈尔滨工业大学 | 评估空气质量浓度预测中气象数据对其影响的分析方法 |
| CN114330120B (zh) * | 2021-12-28 | 2024-04-23 | 武汉大学 | 一种基于深度神经网络预测24小时pm2.5浓度的方法 |
| CN114662389B (zh) * | 2022-03-22 | 2023-02-03 | 河南大学 | 面向空气污染物的自相关误差Informer模型长时序预测方法及*** |
| CN114841461B (zh) * | 2022-05-19 | 2024-06-14 | 重庆邮电大学 | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 |
| CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
| CN114994800B (zh) * | 2022-08-02 | 2022-11-08 | 南京航天宏图信息技术有限公司 | 一种大气细颗粒物的反演方法及装置 |
| CN115310367A (zh) * | 2022-09-01 | 2022-11-08 | 康志文 | 一种基于lstm神经网络的矿井空气质量监测*** |
| CN115377976B (zh) * | 2022-10-25 | 2023-02-17 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
| CN115878695B (zh) * | 2023-02-20 | 2023-05-19 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于气象数据库的数据可视化调整方法及*** |
| CN115860286B (zh) * | 2023-03-01 | 2023-05-09 | 江苏省生态环境监测监控有限公司 | 一种基于时序门机制的空气质量预测方法及*** |
| CN116341763B (zh) * | 2023-05-23 | 2023-07-28 | 西南交通大学 | 一种空气质量预测方法 |
| CN116448966B (zh) * | 2023-06-15 | 2023-09-12 | 吉林省中农阳光数据有限公司 | 基于智能物联网和深度学习相结合的空气质量评估方法 |
| CN117420052B (zh) * | 2023-10-09 | 2024-06-21 | 江苏海洋大学 | 一种融合多尺度时空信息的pm2.5预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及*** |
| 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 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
-
2020
- 2020-07-02 CN CN202010629347.8A patent/CN111798051B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及*** |
| 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 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于长短期记忆神经网络模型的空气质量预测;张冬雯;赵琪;许云峰;刘滨;;河北科技大学学报(第01期);正文2-4部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111798051A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
| CN111832814B (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN109063908B (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
| CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
| CN112465243B (zh) | 一种空气质量预报方法及*** | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN109492760B (zh) | 基于深度模糊认知图模型的道路交通可解释预测方法 | |
| CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
| CN112232543A (zh) | 一种基于图卷积网络的多站点预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN114936691A (zh) | 一种融合关联度加权与时空注意力的温度预报方法 | |
| CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及*** | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
| Zheng et al. | Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model | |
| CN116384565A (zh) | 一种基于缺失数据填补的层次式大气臭氧浓度预测方法 | |
| CN201716727U (zh) | 基于遥感与gis的地理模拟*** | |
| CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
| Zhang et al. | A spatial correlation prediction model of urban PM2. 5 concentration based on deconvolution and LSTM |
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 |