發(fā)布時(shí)間：2020-08-26 08:23

【摘要】：近年來(lái),隨著我國(guó)經(jīng)濟(jì)快速發(fā)展,工業(yè)化和城市化進(jìn)程加快,以PM2.5為主的空氣污染問(wèn)題越來(lái)越突出,嚴(yán)重影響人民的生產(chǎn)和生活。因此實(shí)現(xiàn)對(duì)PM2.5精準(zhǔn)預(yù)測(cè)具有重要的現(xiàn)實(shí)意義和社會(huì)價(jià)值。本文設(shè)計(jì)了改進(jìn)型LSTM(長(zhǎng)短時(shí)記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)PM2.5預(yù)測(cè)模型,是因?yàn)镻M2.5的形成機(jī)理和過(guò)程比較復(fù)雜,組成成分多,具有不確定、不穩(wěn)定性,在時(shí)間和空間上具有非線性,數(shù)據(jù)維度多。LSTM(長(zhǎng)短時(shí)記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,能夠?qū)M2.5相關(guān)數(shù)據(jù)進(jìn)行非線性擬合,有效的考慮輸入數(shù)據(jù)的時(shí)序性,實(shí)現(xiàn)時(shí)間序列數(shù)據(jù)的編碼和解碼。LSTM(長(zhǎng)短時(shí)記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型通過(guò)對(duì)大數(shù)據(jù)樣本的深度學(xué)習(xí),自行進(jìn)行特征選擇,能更好地揭示PM2.5與影響因子間的本質(zhì)關(guān)系,提高了 PM2.5的預(yù)測(cè)精度。本文設(shè)計(jì)了缺失值數(shù)據(jù)狀態(tài)下的PM2.5預(yù)測(cè)模型,預(yù)測(cè)以空氣污染物和氣象數(shù)據(jù)為影響因子,在缺失輸入特征的情況,短期的PM2.5預(yù)測(cè),缺失值可以用時(shí)間步(timestep)為7的移動(dòng)平均值代替,長(zhǎng)期的PM2.5預(yù)測(cè),缺失值可用時(shí)間步(timestep)為20的移動(dòng)平均值代替,實(shí)驗(yàn)結(jié)果具有很高的準(zhǔn)確性。本文基于Tensorflow平臺(tái),改進(jìn)了 LSTM(長(zhǎng)短時(shí)記憶型)的PM2.5預(yù)測(cè)模型設(shè)計(jì),選取了北京、廣州2個(gè)城市實(shí)驗(yàn)數(shù)據(jù)并轉(zhuǎn)化成標(biāo)準(zhǔn)化數(shù)據(jù)。通過(guò)設(shè)置和改變實(shí)驗(yàn)LSTM(長(zhǎng)短時(shí)記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型參數(shù)達(dá)到深度學(xué)習(xí)的優(yōu)化效果。本文設(shè)計(jì)了 SVR,隨機(jī)森林算法,LSTM(長(zhǎng)短時(shí)記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型3組對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明:與SVR算法,隨機(jī)森林算法相比,LSTM(長(zhǎng)短時(shí)記憶型)神經(jīng)網(wǎng)絡(luò)模型加入了 seq2seq模型后,預(yù)測(cè)率最高,精度可以達(dá)到8個(gè)小時(shí)以內(nèi)。本文采用LSTM(長(zhǎng)短時(shí)記憶型)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)PM2.5預(yù)測(cè),創(chuàng)新了 PM2.5預(yù)測(cè)方法。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：X513;TP183
【圖文】：

圖１．１神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖逡逑ｅｎｇＷ用人工yL經(jīng)網(wǎng)絡(luò)（ＡＮＮ）去預(yù)測(cè)ＰＭ２．５——基于空氣運(yùn)利用小波變換將ＰＭ２．５的時(shí)間序列拆分成規(guī)律性更強(qiáng)的子序它們訓(xùn)練獨(dú)立的模型。針對(duì)神經(jīng)網(wǎng)絡(luò)在對(duì)空氣污染預(yù)測(cè)是，

（＾Ｘ２＾）邐（Ｘ）邋ｊ逡逑圖２．１神經(jīng)單元圖逡逑圖２．１是一個(gè)以七，ｘ２，七為輸入的神經(jīng)單元，參數(shù)為叫，放２，＞＾和偏置項(xiàng)６，逡逑其運(yùn)算過(guò)程及輸出為：逡逑ｆ｛ｘ）邋＝邋ｆ｛ｗ＇ｘ）邋＝邋／（＾邐＋邋ｂ）邐（２．１邋）逡逑／＝１逡逑這個(gè)總和被輸入到一個(gè)激活函數(shù)，其中函數(shù)／（ｘ）稱為“激活函數(shù)”。這個(gè)激逡逑活函數(shù)的輸出最終就成為這個(gè)yL經(jīng)單元的輸出激活函數(shù)足yL經(jīng)網(wǎng)絡(luò)中的基本操作，逡逑每個(gè)激活函數(shù)的輸入都是一個(gè)數(shù)字，然后對(duì)其進(jìn)行某種固定的數(shù)學(xué)操作。激活函逡逑數(shù)給yL經(jīng)單元引入了非線性因素，如果不用激活函數(shù)的話，無(wú)論神經(jīng)網(wǎng)絡(luò)有多少逡逑７逡逑

？Ｘ逡逑（＾Ｘ２＾）邐（Ｘ）邋ｊ逡逑圖２．１神經(jīng)單元圖逡逑圖２．１是一個(gè)以七，ｘ２，七為輸入的神經(jīng)單元，參數(shù)為叫，放２，＞＾和偏置項(xiàng)６，逡逑其運(yùn)算過(guò)程及輸出為：逡逑ｆ｛ｘ）邋＝邋ｆ｛ｗ＇ｘ）邋＝邋／（＾邐＋邋ｂ）邐（２．１邋）逡逑／＝１逡逑這個(gè)總和被輸入到一個(gè)激活函數(shù)，其中函數(shù)／（ｘ）稱為“激活函數(shù)”。這個(gè)激逡逑活函數(shù)的輸出最終就成為這個(gè)yL經(jīng)單元的輸出激活函數(shù)足yL經(jīng)網(wǎng)絡(luò)中的基本操作，逡逑每個(gè)激活函數(shù)的輸入都是一個(gè)數(shù)字，然后對(duì)其進(jìn)行某種固定的數(shù)學(xué)操作。激活函逡逑數(shù)給yL經(jīng)單元引入了非線性因素，如果不用激活函數(shù)的話，無(wú)論神經(jīng)網(wǎng)絡(luò)有多少逡逑７逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 張怡文;胡靜宜;王冉;;基于神經(jīng)網(wǎng)絡(luò)的PM_(2.5)預(yù)測(cè)模型[J];江蘇師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

2 胡玄子;陳小雪;錢葉亮;姜正龍;趙彤洲;;數(shù)據(jù)處理中缺失數(shù)據(jù)填充方法的研究[J];湖北工業(yè)大學(xué)學(xué)報(bào);2013年05期

3 解淑艷;劉冰;李健軍;;全國(guó)環(huán)境空氣質(zhì)量數(shù)值預(yù)報(bào)預(yù)警系統(tǒng)建立探析[J];環(huán)境監(jiān)控與預(yù)警;2013年04期

4 朱倩茹;劉永紅;徐偉嘉;黃敏;;廣州PM_(2.5)污染特征及影響因素分析[J];中國(guó)環(huán)境監(jiān)測(cè);2013年02期

5 王靜;楊復(fù)沫;王鼎益;賀克斌;;北京市MODIS氣溶膠光學(xué)厚度和PM_(2.5)質(zhì)量濃度的特征及其相關(guān)性[J];中國(guó)科學(xué)院研究生院學(xué)報(bào);2010年01期

6 朱先磊,張遠(yuǎn)航,曾立民,王瑋;北京市大氣細(xì)顆粒物PM_(2.5)的來(lái)源研究[J];環(huán)境科學(xué)研究;2005年05期

本文編號(hào)：2804941