许凯波:基于深度学习的空气质量预测模型分析研究论文

许凯波:基于深度学习的空气质量预测模型分析研究论文

本文主要研究内容

作者许凯波(2019)在《基于深度学习的空气质量预测模型分析研究》一文中研究指出:近年来,随着我国经济的快速发展以及城市化进程的快速推进,空气污染问题愈发的严重。空气污染不仅严重影响人们的日常生活和身心健康,同时对社会的可持续发展也带来了巨大的阻碍,已经引起了社会各界的高度重视。因此,对空气质量进行精确的评价与预测具有重要的现实意义和社会价值。随着大数据和人工智能技术的兴起,传统的空气质量预测方法已经不能满足对大数据进行智能化处理的需求,许多学者开始基于大数据,利用智能化的方法对空气质量进行评价与预测。深度学习是人工智能技术的重要分支,具有强大的特征提取和数据拟合能力,在图像识别和分类预测等方面具有广泛的应用。鉴于此,本文将深度学习引入到空气质量预测中,用西安市2013年11月至2019年2月的空气质量监测数据构建训练样本库,以深度信念网络(DBN)和自动编码器(AE)为基础,构建了DBN、DBN-ELM和DAE-BP三个基于深度学习的空气质量预测模型。主要研究内容如下:(1)通过对国内外相关文献的调研,选取CO、NO2、SO2、O3、PM2.5、PM10六种污染物作为空气质量预测模型的评价因子,空气质量指数(AQI)作为模型的目标变量。(2)对本文原始试验数据集进行清洗和填充等预处理操作,构建空气质量预测模型训练样本库。(3)针对传统的回归模型和浅层机器学习算法在空气质量预测中的不足,本文利用深度信念网络强大的特征提取能力,构建了一种基于深度信念网络(DBN)的空气质量预测模型,试验结果表明,本文构建的模型相比传统的预测算法有着更好的预测效果,验证了深度信念网络在空气质量预测上的有效性,为空气质量的预测研究提供了新的思路。(4)针对传统的深度信念网络(DBN)在特征提取与参数训练存在的不足,将交叉熵稀疏惩罚因子机制引入到DBN的特征提取过程中,将DBN与ELM算法进行结合,提出了一种基于DBN-ELM算法的空气质量预测模型。试验结果表明,本文构建的方法相比传统的深度信念网络与传统的浅层机器学习预测算法有着更好的预测效果。(5)将深度自动编码器(DAE)和BP神经网络相结合,构建了一种基于DAE-BP算法的空气质量预测模型。首先将多个自编器(AE)堆叠在一起构建深层特征提取器(DAE)逐层的对空气质量数据集进行特征提取;然后将提取的特征输入到BP神经网络,用自编码器网络的权值来初始化BP神经网络;最后通过BP神经网络的反向传播算法对模型进行参数的调节和优化,实现空气质量的准确的预测。试验结果表明,DAE-BP模型相比与传统的浅层机器学习预测算法有着更好的分类预测效果,证明了深度自编码器模型在空气质量预测中的有效性。本文构建的DBN、DAE-BP、DBN-ELM三个基于深度学习的空气质量评价预测模型,为空气质量预测提供了新的思路,为空气污染的治理和人们日常生活的指导提供了新的理论依据和预测方法。

Abstract

jin nian lai ,sui zhao wo guo jing ji de kuai su fa zhan yi ji cheng shi hua jin cheng de kuai su tui jin ,kong qi wu ran wen ti yu fa de yan chong 。kong qi wu ran bu jin yan chong ying xiang ren men de ri chang sheng huo he shen xin jian kang ,tong shi dui she hui de ke chi xu fa zhan ye dai lai le ju da de zu ai ,yi jing yin qi le she hui ge jie de gao du chong shi 。yin ci ,dui kong qi zhi liang jin hang jing que de ping jia yu yu ce ju you chong yao de xian shi yi yi he she hui jia zhi 。sui zhao da shu ju he ren gong zhi neng ji shu de xing qi ,chuan tong de kong qi zhi liang yu ce fang fa yi jing bu neng man zu dui da shu ju jin hang zhi neng hua chu li de xu qiu ,hu duo xue zhe kai shi ji yu da shu ju ,li yong zhi neng hua de fang fa dui kong qi zhi liang jin hang ping jia yu yu ce 。shen du xue xi shi ren gong zhi neng ji shu de chong yao fen zhi ,ju you jiang da de te zheng di qu he shu ju ni ge neng li ,zai tu xiang shi bie he fen lei yu ce deng fang mian ju you an fan de ying yong 。jian yu ci ,ben wen jiang shen du xue xi yin ru dao kong qi zhi liang yu ce zhong ,yong xi an shi 2013nian 11yue zhi 2019nian 2yue de kong qi zhi liang jian ce shu ju gou jian xun lian yang ben ku ,yi shen du xin nian wang lao (DBN)he zi dong bian ma qi (AE)wei ji chu ,gou jian le DBN、DBN-ELMhe DAE-BPsan ge ji yu shen du xue xi de kong qi zhi liang yu ce mo xing 。zhu yao yan jiu nei rong ru xia :(1)tong guo dui guo nei wai xiang guan wen suo de diao yan ,shua qu CO、NO2、SO2、O3、PM2.5、PM10liu chong wu ran wu zuo wei kong qi zhi liang yu ce mo xing de ping jia yin zi ,kong qi zhi liang zhi shu (AQI)zuo wei mo xing de mu biao bian liang 。(2)dui ben wen yuan shi shi yan shu ju ji jin hang qing xi he tian chong deng yu chu li cao zuo ,gou jian kong qi zhi liang yu ce mo xing xun lian yang ben ku 。(3)zhen dui chuan tong de hui gui mo xing he jian ceng ji qi xue xi suan fa zai kong qi zhi liang yu ce zhong de bu zu ,ben wen li yong shen du xin nian wang lao jiang da de te zheng di qu neng li ,gou jian le yi chong ji yu shen du xin nian wang lao (DBN)de kong qi zhi liang yu ce mo xing ,shi yan jie guo biao ming ,ben wen gou jian de mo xing xiang bi chuan tong de yu ce suan fa you zhao geng hao de yu ce xiao guo ,yan zheng le shen du xin nian wang lao zai kong qi zhi liang yu ce shang de you xiao xing ,wei kong qi zhi liang de yu ce yan jiu di gong le xin de sai lu 。(4)zhen dui chuan tong de shen du xin nian wang lao (DBN)zai te zheng di qu yu can shu xun lian cun zai de bu zu ,jiang jiao cha shang xi shu cheng fa yin zi ji zhi yin ru dao DBNde te zheng di qu guo cheng zhong ,jiang DBNyu ELMsuan fa jin hang jie ge ,di chu le yi chong ji yu DBN-ELMsuan fa de kong qi zhi liang yu ce mo xing 。shi yan jie guo biao ming ,ben wen gou jian de fang fa xiang bi chuan tong de shen du xin nian wang lao yu chuan tong de jian ceng ji qi xue xi yu ce suan fa you zhao geng hao de yu ce xiao guo 。(5)jiang shen du zi dong bian ma qi (DAE)he BPshen jing wang lao xiang jie ge ,gou jian le yi chong ji yu DAE-BPsuan fa de kong qi zhi liang yu ce mo xing 。shou xian jiang duo ge zi bian qi (AE)dui die zai yi qi gou jian shen ceng te zheng di qu qi (DAE)zhu ceng de dui kong qi zhi liang shu ju ji jin hang te zheng di qu ;ran hou jiang di qu de te zheng shu ru dao BPshen jing wang lao ,yong zi bian ma qi wang lao de quan zhi lai chu shi hua BPshen jing wang lao ;zui hou tong guo BPshen jing wang lao de fan xiang chuan bo suan fa dui mo xing jin hang can shu de diao jie he you hua ,shi xian kong qi zhi liang de zhun que de yu ce 。shi yan jie guo biao ming ,DAE-BPmo xing xiang bi yu chuan tong de jian ceng ji qi xue xi yu ce suan fa you zhao geng hao de fen lei yu ce xiao guo ,zheng ming le shen du zi bian ma qi mo xing zai kong qi zhi liang yu ce zhong de you xiao xing 。ben wen gou jian de DBN、DAE-BP、DBN-ELMsan ge ji yu shen du xue xi de kong qi zhi liang ping jia yu ce mo xing ,wei kong qi zhi liang yu ce di gong le xin de sai lu ,wei kong qi wu ran de zhi li he ren men ri chang sheng huo de zhi dao di gong le xin de li lun yi ju he yu ce fang fa 。

论文参考文献

  • [1].基于STM32的多功能空气质量监测系统设计[D]. 曾建清.电子科技大学2019
  • [2].城市建成环境影响空气质量的作用机制研究[D]. 杨燕燕.华中科技大学2019
  • [3].基于灰色理论的西安空气质量预警系统研究与实现[D]. 张鑫.长安大学2019
  • [4].空气质量与城镇化互动关系及其耦合协调发展研究[D]. 阮竹容.北京交通大学2019
  • [5].北京市空气质量的空间统计分析研究[D]. 李勇辉.华北电力大学(北京)2019
  • [6].城市绿化对空气质量的影响研究[D]. 张菁华.东北林业大学2019
  • [7].基于移动监测数据的空气质量道路环境影响因素分析[D]. 李晨鸣.武汉大学2017
  • [8].基于特征价格法的空气质量定价研究[D]. 余金明.厦门大学2018
  • [9].黑龙江省不同类型城市空气质量变化特征研究[D]. 王雪娇.哈尔滨师范大学2019
  • [10].东北地区空气质量时空格局变化及特殊时段特征分析[D]. 王文萍.哈尔滨师范大学2019
  • 读者推荐
  • [1].基于深度学习的微型电机转子外观检测系统设计[D]. 刘平.桂林电子科技大学2019
  • [2].基于遗传算法的P2P网贷违约预警模型研究[D]. 丁越.浙江大学2019
  • [3].基于深度学习的人脸表情识别[D]. 梁丹丹.长安大学2019
  • [4].基于Spark的道路行程时间预测研究[D]. 郑锦男.长安大学2019
  • [5].基于递归神经网络的空气质量分类预测研究[D]. 张蕊.天津大学2018
  • [6].基于深度学习的空气质量预测方法研究与实现[D]. 郭豪.北京邮电大学2019
  • [7].基于机器学习的空气质量评价与预测[D]. 高帅.中北大学2019
  • [8].基于深度学习的气温预测[D]. 单大可.福建师范大学2018
  • [9].基于集成学习的空气质量预测模型分析研究[D]. 朱飞鸿.长安大学2018
  • [10].基于机器学习的空气质量分类与预测[D]. 尹琪.中北大学2018
  • 论文详细介绍

    论文作者分别是来自长安大学的许凯波,发表于刊物长安大学2019-11-04论文,是一篇关于空气质量论文,深度学习论文,深度信念网络论文,自动编码器论文,神经网络论文,极限学习机论文,评价论文,预测论文,长安大学2019-11-04论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自长安大学2019-11-04论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  

    许凯波:基于深度学习的空气质量预测模型分析研究论文
    下载Doc文档

    猜你喜欢