發(fā)布時間：2021-07-09 05:04

　　大氣污染是對人類健康最嚴重的威脅之一,因此提供更準確的空氣質(zhì)量預(yù)報勢在必行。隨著數(shù)據(jù)驅(qū)動建模技術(shù)的發(fā)展,利用神經(jīng)網(wǎng)絡(luò)模擬大氣污染物的傳輸過程,對城市大氣污染物濃度預(yù)測模型成為研究熱點。本文構(gòu)建了一種基于深度學習方法的混合模型,將圖卷積網(wǎng)絡(luò)（GCN）和長短期記憶網(wǎng)絡(luò)（LSTM）相結(jié)合,對城市大氣污染物濃度的時空變化進行建模和預(yù)測。將不同站點的歷史觀測數(shù)據(jù)構(gòu)建為時空圖形序列,將地面空氣質(zhì)量監(jiān)測站數(shù)據(jù)、氣象因子、空間因子和時間屬性定義為圖形信號,利用圖卷積網(wǎng)絡(luò)提取不同監(jiān)測站觀測值之間的空間相關(guān)性,使用LSTM捕捉不同時間觀測值之間的時間相關(guān)性,模擬城市大氣污染污染物的時空特征。為了評估混合預(yù)測模型在城市大氣污染物濃度預(yù)測的性能,本文選用了均方根誤差（RMSE）、平均絕對誤差（MAE）、召回率（RR）和誤識率（FAR）來作為評價標尺,同時選擇多元線性回歸（MLR）模型、前饋神經(jīng)網(wǎng)絡(luò)（FNN）模型和LSTM模型來作為對照組。本文的GC-LSTM模型得到的MAE值13.82和RSME值21.45均為最優(yōu)值。并且預(yù)測偏差值的上四分位數(shù)和下四分位數(shù)均在9μg/m³以內(nèi)�；赑M.... 

【文章來源】：華北水利水電大學河南省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

論文結(jié)構(gòu)與章節(jié)安排Fig1-2Paperstructureandchapterarrangement

華北水利水電大學碩士學位論文10圖2-1空氣污染物濃度預(yù)測流程Fig2-1Airpollutantconcentrationpredictionprocess經(jīng)過以上的數(shù)據(jù)預(yù)處理之后，就可以用清洗和篩選好的數(shù)據(jù)集來作為空氣污染物預(yù)測模型的數(shù)據(jù)集�？諝馕廴疚餄舛阮A(yù)測工作最重要的部分是建立合適的預(yù)測模型，可以盡可能的挖掘出數(shù)據(jù)集內(nèi)存在的可能對目標污染物濃度產(chǎn)生影響的潛在因素。由于不同學科領(lǐng)域采用預(yù)測機理和算法都略有不同，所以建立的預(yù)測模型也會有差異之處[33]。在數(shù)學領(lǐng)域大部分都是建立線性的數(shù)學模型，通過對數(shù)據(jù)集的數(shù)據(jù)進行線性擬合，建立一個線性回歸方程來預(yù)測污染物濃度隨時間的變化[34]；而深度學習領(lǐng)域則是通過深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，通過對數(shù)據(jù)集的學習，建立非線性的神經(jīng)網(wǎng)絡(luò)模型來對目標大氣污染物濃度進行預(yù)測[35]。隨著數(shù)據(jù)驅(qū)動建模技術(shù)的發(fā)展，利用神經(jīng)網(wǎng)絡(luò)模擬大氣污染物的運移過程，但是現(xiàn)有的數(shù)據(jù)驅(qū)動方法往往忽略了城市中多個站點之間的動態(tài)關(guān)系，導(dǎo)致預(yù)測精度不理想。除此之外，還可以運用一些集成性的方法建立混合模型，來對目標大氣空氣污染物濃度進行預(yù)測[36]。當模型架構(gòu)確定之后，還需要對模型的參數(shù)設(shè)置進行調(diào)整，使模型能夠?qū)δ繕藚^(qū)域有良好的適應(yīng)性。比如數(shù)學領(lǐng)域的線性統(tǒng)計模型，首先會對數(shù)據(jù)集進行統(tǒng)計分析，然后根據(jù)數(shù)據(jù)與目標濃度間的相關(guān)性來建立不同的線性數(shù)學方程，然后通過代入大量的數(shù)據(jù)來進行擬合，獲得數(shù)學方程的參數(shù)值，然后通過擬合完畢的線性方程組來進行目標污染

華北水利水電大學碩士學位論文16更新，為了增加深度神經(jīng)網(wǎng)絡(luò)的魯棒性避免發(fā)生過擬合顯現(xiàn)，在訓(xùn)練過程中屏蔽不同的神經(jīng)元，使每次迭代都在由不同的神經(jīng)網(wǎng)絡(luò)在對數(shù)據(jù)進行學習[48]。圖2-2應(yīng)用Dropout后的神經(jīng)網(wǎng)絡(luò)Fig2-2NeuralnetworkafterDropout2.3.3正則化算法深度學習模型通常采用L2正則化算法來優(yōu)化數(shù)據(jù)驅(qū)動模型的權(quán)重參數(shù)，以避免過度擬合。作為懲罰，L2正則化算法通過梯度下降計算將權(quán)重參數(shù)的絕對值之和添加到損失函數(shù)（或目標函數(shù)）中。均方誤差（MSE）是梯度下降計算中常用的損失函數(shù)（0L）。MSE描述如下：NtttYYNMSEL120))()((1（2.1）其中tY)(和)(tY分別是第t時刻的觀測矩陣和預(yù)測的多輸出變量。N是時間步長。從更新權(quán)重參數(shù)的角度出發(fā)，將L2正則化的MSE用作梯度下降計算中的損失函數(shù)（L）：NiNiiiNMSENLL1122022（2.2）其中L是具有L2正則化的損失函數(shù)。NiiN122是權(quán)重參數(shù)的L2正則化。是L2正則化系數(shù)。ω是權(quán)重參數(shù)矩陣。損失函數(shù)L到ω的偏導(dǎo)數(shù)描述如下：

【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測[J]. 白盛楠,申曉留.  計算機應(yīng)用與軟件. 2019(01)
[2]城市大氣污染的成因及治理對策[J]. 趙新紅.  資源節(jié)約與環(huán)保. 2018(08)
[3]Fuzzy Comprehensive Evaluation and Prediction of Air Quality in Baoding City[J]. Mengyuan TANG,Degang JI.  Agricultural Biotechnology. 2018(03)
[4]Prediction and Analysis of Air Quality Based on FCM and BP Neural Network[J]. Ji Degang,Xu Ao,Xie Xiaoxian.  Meteorological and Environmental Research. 2018(03)
[5]隨機森林算法在空氣質(zhì)量評評價中的應(yīng)用[J]. 杭琦,楊敬輝,黃國榮.  上海第二工業(yè)大學學報. 2018(02)
[6]卷積神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)報模型[J]. 吳春霖,李琦,侯俊雄,KARIMIAN Hamed,陳工.  測繪科學. 2018(08)
[7]“霾”沒的城市:政府應(yīng)如何治理空氣污染?[J]. 張飛鵬.  華中師范大學研究生學報. 2017(04)
[8]2000-2011年中國PM2.5時空演化特征及驅(qū)動因素解析[J]. 周亮,周成虎,楊帆,王波,孫東琪.  地理學報. 2017(11)
[9]大氣環(huán)境質(zhì)量保護措施探討[J]. 洪一丹.  環(huán)境與發(fā)展. 2017(08)
[10]江蘇省PM2.5質(zhì)量濃度的時空變化格局模擬[J]. 李嘯天,吳紹華,徐于月,賁培琪,趙涵.  環(huán)境監(jiān)測管理與技術(shù). 2017(02)

碩士論文
[1]基于Tensorflow的循環(huán)神經(jīng)網(wǎng)絡(luò)模型在上海市空氣質(zhì)量預(yù)測中的應(yīng)用[D]. 劉蕾.上海師范大學 2019
[2]基于LSTM神經(jīng)網(wǎng)絡(luò)空氣污染監(jiān)測預(yù)報系統(tǒng)的研究與實現(xiàn)[D]. 張晗.西安電子科技大學 2019
[3]地理卷積神經(jīng)網(wǎng)絡(luò)加權(quán)回歸方法及其PM2.5建模實證研究[D]. 嵇曉峰.浙江大學 2019
[4]基于集成神經(jīng)網(wǎng)絡(luò)的空氣污染物區(qū)域關(guān)聯(lián)預(yù)測方法研究[D]. 雍睿涵.上海師范大學 2019
[5]基于RNN-CNN集成深度學習模型的PM2.5小時濃度預(yù)測研究[D]. 黃婕.浙江大學 2018
[6]基于神經(jīng)網(wǎng)絡(luò)的空氣污染預(yù)測技術(shù)研究[D]. 蔣浩.南京大學 2014



本文編號：3273086