CN106056210A - 一种基于混合神经网络的pm2.5浓度值预测方法 - Google Patents
一种基于混合神经网络的pm2.5浓度值预测方法 Download PDFInfo
- Publication number
- CN106056210A CN106056210A CN201610401881.7A CN201610401881A CN106056210A CN 106056210 A CN106056210 A CN 106056210A CN 201610401881 A CN201610401881 A CN 201610401881A CN 106056210 A CN106056210 A CN 106056210A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- concentration value
- training
- layer
- 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.)
- Granted
Links
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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于混合神经网络的PM2.5浓度值预测方法,包括如下步骤:步骤1、四类样本数据采集。所述四类样本数据包括PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据、气象历史数据和PM2.5成分解析数据;步骤2、采用第一神经网络初次预测PM2.5浓度值;步骤3、采用第二神经网络二次预测PM2.5浓度值;步骤4、采用第三神经网络最终预测PM2.5浓度值,输出PM2.5浓度值的最终预测值。本发明在采用PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据这三种类别的数据之外,还引入PM2.5成分解析数据,能准确描述PM2.5浓度值的变化发展规律、提高预测精度。
Description
技术领域
本发明涉及空气颗粒物PM2.5浓度值的预测技术领域,尤其涉及一种基于混合神经网络的PM2.5浓度值的预测方法。
背景技术
空气污染如今已经成为人们关注的焦点。在人口密集的城市里,空气污染已经严重影响到了人们的健康和生活。在空气污染指标中,PM2.5(直径小于或等于2.5微米的颗粒物)浓度值已经成为衡量空气质量的标志性检测指标。根据历史数据对未来时间段PM2.5浓度值的预测已经成为具有较强学术意义和应用价值的研究问题。
为了解决上述问题,史旭华等人在专利《一种区域空气PM2.5浓度预测方法》中,通过建立支持向量机回归模型进行PM2.5的浓度值预测。王书强等人在专利《一种空气质量PM2.5预测方法及系统》中,通过建立支持张量回归模型进行PM2.5的浓度值预测。马天成等人在论文《基于改进型PSO的模糊神经网络PM2.5浓度预测》中,采用一种改进型PSO优化的模糊神经网络预测PM2.5的浓度值。张怡文等人在论文《基于神经网络的PM2.5预测模型》中,通过建立神经网络实现了PM2.5浓度值的预测。荆涛等人在论文《t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测》中,通过建立基于t分布受控遗传算法优化BP神经网络模型,对PM2.5质量浓度进行预测。孙荣基等人在论文《一种基于BP神经网络改进算法的PM2.5预测方法》中,通过结合主成分分析、提前终止训练法和BP神经网络模对PM2.5的浓度值进行预测。陈强等人在论文《郑州市PM2.5浓度时空分布特征及预测模型研究》中,通过建立BP神经网络对郑州市当地PM2.5的浓度值进行预测。
经文献调研分析,目前已提出的PM2.5浓度值预测方法均需要大量的历史数据作为系统输入样本。这些历史数据可以分为三个类别。第一类数据是PM2.5浓度值历史数据。第二类数据是PM2.5浓度值相关指标历史数据(比如AQI、PM10、NO2、CO、SO2、O3)。第三类数据是气象历史数据(比如气温、相对湿度、气压、风速、降水量等)。但是,经文献调研,现有PM2.5浓度值预测方法没有考虑采用第四类数据,即PM2.5成分解析数据(比如机动车保有量,工业废气排放量,用电量)。对于不同城市或者地区,PM2.5形成原因具有较大的差异。如果仅考虑前三类数据,那么所设计的PM2.5浓度值预测系统很难准确模拟当地PM2.5浓度值的变化发展规律。
发明内容
为了克服已有PM2.5浓度值预测方式无法描述PM2.5浓度值的变化发展规律、预测精度较低的不足,本发明在采用PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据和气象历史数据这三种类别的数据之外,还引入PM2.5成分解析数据,提供一种准确描述PM2.5浓度值的变化发展规律、提高预测精度的基于混合神经网络的PM2.5浓度值预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于混合神经网络的PM2.5浓度值预测方法,所述方法包括如下步骤:
步骤1、四类样本数据采集。所述四类样本数据包括PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据、气象历史数据和PM2.5成分解析数据。
步骤2、采用第一神经网络初次预测PM2.5浓度值,过程如下:
步骤2.1、创建一个包含输入层、隐含层、连接层和输出层的四层神经网络,设定隐含层和输出层的节点数。所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:
上式中,m和n分别为输入层和输出层的神经元个数,a是[0,10]之间的常数。
步骤2.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数,设定网络的期望误差最小值、最大迭代次数和学习率。
步骤2.3、将所述PM2.5浓度值历史数据作为第一神经网络输入数据,并将第一神经网络输入数据分成第一神经网络训练数据和第一神经网络测试数据,将所述第一神经网络训练数据归一化处理,归一化公式如下:
上式中,x为所述待归一化的数据,xmin和xmax分别为所述新的样本数据中的最小值和最大值,y为归一化后的数据,分布在[0.1,0.9]区间。
步骤2.4、将所述第一神经网络训练数据输入到已创建的第一神经网络中训练第一神经网络,计算误差,并根据误差调整第一神经网络权值。
步骤2.5、判断所述第一神经网络是否收敛,当误差小于期望误差最小值时,算法收敛。在达到最大迭代次数时结束算法,所述第一神经网络训练完成。
步骤2.6、将所述第一神经网络测试数据输入所述训练好的第一神经网络,得到PM2.5浓度值的初步预测值。
步骤2.7、将所述PM2.5浓度值的初步预测值与所述的PM2.5浓度值相关指标历史数据和气象历史数据合并作为第二神经网络输入数据。
步骤3、采用第二神经网络二次预测PM2.5浓度值,过程如下:
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数。
步骤3.2、设定所述第二神经网络的训练函数,设定网络的期望误差最小值、最大迭代次数和学习率。
步骤3.3、将所述第二神经网络输入数据分为第二神经网络训练数据和第二神经网络测试数据,将所述第二神经网络训练数据进行归一化处理。
步骤3.4、将所述归一化后的第二神经网络训练数据输入到已创建的第二神经网络,并且训练第二神经网络,计算误差,并根据误差调整第二神经网络权值。
步骤3.5、判断所述第二神经网络是否收敛,当误差小于期望误差最小值时,算法收敛。在达到最大迭代次数时结束算法,所述第二神经网络训练完成。
步骤3.6、将所述第二神经网络测试数据输入到所述训练完成的第二神经网络中,输出PM2.5浓度值的二次预测值,将所述PM2.5浓度值的二次预测值和PM2.5成分解析数据合并作为第三神经网络输入数据。
步骤4、采用第三神经网络最终预测PM2.5浓度值,过程如下:
步骤4.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数。
步骤4.2、设定所述第三神经网络的训练函数,设定网络的期望误差最小值、最大迭代次数和学习率。
步骤4.3、将所述第三神经网络数据分为第三神经网络训练数据和第三神经网络测试数据,将所述第三神经网络训练数据进行归一化处理。
步骤4.4、将所述归一化后的第三神经网络训练数据输入到已创建的第三神经网络,并训练第三神经网络,计算误差,并根据误差调整第三神经网络权值。
步骤4.5、判断所述第三神经网络是否收敛,当误差小于期望误差最小值时,算法收敛。在达到最大迭代次数时结束算法,所述第三神经网络训练完成。
步骤4.6、将所述第三神经网络测试数据输入到所述训练完成的第三神经网络中,输出PM2.5浓度值的最终预测值。
进一步,所述步骤1中,所述PM2.5浓度值相关指标历史数据包括AQI(空气质量指数)、PM10(Particulate Matter 10)、SO2(二氧化硫)、CO(一氧化碳)、CO2(二氧化碳)、O3(臭氧),所述气象历史数据包括平均气温、露点、相对湿度、压强、风速、降水量,所述PM2.5成分解析数据包括机动车保有量、工业废气排放量和用电量等。
本发明的技术构思为:在采用PM2.5浓度值历史数据,PM2.5浓度值相关指标的历史数据(AQI、PM10、NO2、CO、SO2、O3)和气象历史数据(气温、相对湿度、气压、风速、降水量等)这三类数据之外,重点引入了PM2.5成分解析数据(机动车保有量,工业废气排放量,用电量)这第四类数据来进行PM2.5浓度值的预测。进一步,将这四类数据通过三个神经网络分阶段预测PM2.5浓度值。
本发明的有益效果主要表现在:本发明的技术方案能够准确地模拟当地PM2.5浓度值的变化规律,有效得提高当前PM2.5浓度值的预测精度,实现“本地化”和“区域化”精准预测。
附图说明
图1是一种基于混合神经网络的PM2.5浓度值预测方法示意图。
图2是ELman神经网络的训练流程图。
图3是BP神经网络的训练流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于混合神经网络的PM2.5浓度值预测方法,所述方法包括如下步骤:
步骤1、四类样本数据采集。所述四类样本数据包括PM2.5(Particulate Matter2.5)浓度值历史数据、PM2.5浓度值相关指标历史数据、气象历史数据和PM2.5成分解析数据。进一步,所述PM2.5浓度值相关指标历史数据包括AQI(空气质量指数)、PM10(Particulate Matter 10)、SO2(二氧化硫)、CO(一氧化碳)、CO2(二氧化碳)、O3(臭氧),所述气象历史数据包括平均气温、露点、相对湿度、压强、风速、降水量,所述PM2.5成分解析数据包括机动车保有量、工业废气排放量和用电量。
本发明采集杭州市的四类数据。杭州市2015年的AQI(空气质量指数)、PM2.5(Particulate Matter 2.5)、PM10(Particulate Matter 10)、SO2(二氧化硫)、CO(一氧化碳)、CO2(二氧化碳)、O3(臭氧)在中国空气质量在线监测分析平台网站收集,杭州市2015年的平均气温、露点、相对湿度、压强、风速、降水量在WEATHER UNDERGROUND网站收集,杭州市2014年的机动车保有量、工业废气排放量和用电量在杭州信息统计网网站收集。
本发明中,收集到的四类样本数据如表1:
表1
步骤2、第一Elman神经网络初次预测PM2.5浓度值,过程如下:
步骤2.1、创建一个包含输入层、隐含层、连接层和输出层的四层神经网络,设定隐含层和输出层的节点数分别为6和1。所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:
式中:m和n分别为输入层和输出层的神经元个数,a是[0,10]之间的常数;
步骤2.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数,所述训练函数为Sigmoid函数,连接层和输出层函数为purelin函数。设定网络的期望误差最小值为10-5,最大迭代次数为104和学习率为0.1;
步骤2.3、将所述PM2.5浓度值历史数据作为第一Elman神经网络数据分成第一Elman神经网络训练数据和第一Elman神经网络测试数据两部分,将所述第一Elman神经网络训练数据归一化处理,归一化公式如下:
式中:x为所述待归一化的数据,xmin和xmax分别为所述新的样本数据中的最小值和最大值,y为归一化后的数据,分布在[0.1,0.9]区间;
步骤2.4、将所述第一Elman神经网络训练数据输入到创建好的第一Elman神经网络中训练第一Elman神经网络,计算误差,根据误差调整权值;
步骤2.5、判断所述第一Elman神经网络是否收敛,当误差小于期望误差最小值时,算法收敛;或者达到最大迭代次数时结束算法,所述第一Elman神经网络训练完成;
步骤2.6、将所述第一Elman神经网络测试数据输入所述训练好的第一Elman神经网络,得到初步PM2.5浓度值的预测值;
步骤2.7、将所述初步PM2.5浓度值的预测值与所述的PM2.5浓度值相关指标历史数据和气象历史数据合并作为第二BP神经网络数据;
步骤3、第二BP神经网络二次预测PM2.5浓度值,过程如下:
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络,分别设定隐含层和输出层的节点个数为12和1。
步骤3.2、设定所述第二BP神经网络的训练函数为Sigmoid函数,设定网络的期望误差最小值为10-5,最大迭代次数为104和学习率为0.1;
步骤3.3、将所述第二BP神经网络数据分成第二BP神经网络训练数据和第二BP神经网络测试数据,将所述第二BP神经网络训练数据进行归一化处理;
步骤3.4、将所诉归一化后的第二BP神经网络训练数据输入到创建好的第二BP神经网络中训练第二BP神经网络,计算误差,根据误差调整权值;
步骤3.5、判断所述第二BP神经网络是否收敛,当误差小于期望误差最小值时,算法收敛;或者达到最大迭代次数时结束算法,所述第二BP神经网络训练完成;
步骤3.6、将所述第二BP神经网络测试数据输入到所述训练完成的第二BP神经网络中,输出PM2.5浓度值的二次预测值,将所述PM2.5浓度值的二次预测值和PM2.5成分解析数据合并作为第三BP神经网络数据;
步骤4、第三BP神经网络最终预测PM2.5浓度值,过程如下:
步骤4.1、创建一个包含输入层、隐含层和输出层的三层神经网络,分别设定隐含层和输出层的节点个数为4和1。
步骤4.2、设定所述第三BP神经网络的训练函数为Sigmoid函数,设定网络的期望误差最小值为10-5,最大迭代次数为104和学习率为0.1;
步骤4.3、将所述第三BP神经网络数据分成第三BP神经网络训练数据和第三BP神经网络测试数据,将所述第三BP神经网络训练数据进行归一化处理;
步骤4.4、将所诉归一化后的第三BP神经网络训练数据输入到创建好的第三BP神经网络中训练第三BP神经网络,计算误差,根据误差调整权值;
步骤4.5、判断所述第三BP神经网络是否收敛,当误差小于期望误差最小值时,算法收敛;或者达到最大迭代次数时结束算法,所述第三BP神经网络训练完成;
步骤4.6、将所述第三神经网络测试数据输入到所述训练完成的第三BP神经网络中,输出PM2.5浓度值的最终预测值。
根据以上操作得到PM2.5浓度值的预测值,如表2:
表2。
Claims (2)
1.一种基于混合神经网络的PM2.5浓度值预测方法,其特征在于:所述方法包括如下步骤:
步骤1、四类样本数据采集,所述四类样本数据包括PM2.5浓度值历史数据、PM2.5浓度值相关指标历史数据、气象历史数据和PM2.5成分解析数据;
步骤2、采用第一神经网络初次预测PM2.5浓度值。过程如下:
步骤2.1、创建一个包含输入层、隐含层、连接层和输出层的四层神经网络,设定隐含层和输出层的节点数,所述隐含层的节点个数采用经验公式给出估计值,所述经验公式如下:
上式中,m和n分别为输入层和输出层的神经元个数,a是[0,10]之间的常数;
步骤2.2、分别设定隐含层、连接层和输出层的训练函数、连接函数和输出函数,设定网络的期望误差最小值、最大迭代次数和学习率;
步骤2.3、将所述PM2.5浓度值历史数据作为第一神经网络输入数据,并将第一神经网络输入数据分成第一神经网络训练数据和第一神经网络测试数据,将所述第一神经网络训练数据归一化处理,归一化公式如下:
上式中,x为所述待归一化的数据,xmin和xmax分别为所述新的样本数据中的最小值和最大值,y为归一化后的数据,分布在[0.1,0.9]区间;
步骤2.4、将所述第一神经网络训练数据输入到已创建的第一神经网络中训练第一神经网络,计算误差,并根据误差调整第一神经网络权值;
步骤2.5、判断所述第一神经网络是否收敛,当误差小于期望误差最小值时,算法收敛。在达到最大迭代次数时结束算法,所述第一神经网络训练完成;
步骤2.6、将所述第一神经网络测试数据输入所述训练好的第一神经网络,得到PM2.5浓度值的初步预测值;
步骤2.7、将所述PM2.5浓度值的初步预测值与所述的PM2.5浓度值相关指标历史数据和气象历史数据合并作为第二神经网络输入数据;
步骤3、采用第二神经网络二次预测PM2.5浓度值,过程如下:
步骤3.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数;
步骤3.2、设定所述第二神经网络的训练函数,设定网络的期望误差最小值、最大迭代次数和学习率;
步骤3.3、将所述第二神经网络输入数据分为第二神经网络训练数据和第二神经网络测试数据,将所述第二神经网络训练数据进行归一化处理;
步骤3.4、将所述归一化后的第二神经网络训练数据输入到已创建的第二神经网络,并且训练第二神经网络,计算误差,并根据误差调整第二神经网络权值;
步骤3.5、判断所述第二神经网络是否收敛,当误差小于期望误差最小值时,算法收敛。在达到最大迭代次数时结束算法,所述第二神经网络训练完成;
步骤3.6、将所述第二神经网络测试数据输入到所述训练完成的第二神经网络中,输出PM2.5浓度值的二次预测值,将所述PM2.5浓度值的二次预测值和PM2.5成分解析数据合并作为第三神经网络输入数据;
步骤4、采用第三神经网络最终预测PM2.5浓度值,过程如下:
步骤4.1、创建一个包含输入层、隐含层和输出层的三层神经网络,设定隐含层和输出层的节点个数;
步骤4.2、设定所述第三神经网络的训练函数,设定网络的期望误差最小值、最大迭代次数和学习率;
步骤4.3、将所述第三神经网络数据分为第三神经网络训练数据和第三神经网络测试数据,将所述第三神经网络训练数据进行归一化处理;
步骤4.4、将所述归一化后的第三神经网络训练数据输入到已创建的第三神经网络,并训练第三神经网络,计算误差,并根据误差调整第三神经网络权值;
步骤4.5、判断所述第三神经网络是否收敛,当误差小于期望误差最小值时,算法收敛;在达到最大迭代次数时结束算法,所述第三神经网络训练完成;
步骤4.6、将所述第三神经网络测试数据输入到所述训练完成的第三神经网络中,输出PM2.5浓度值的最终预测值。
2.如权利要求1所述的一种基于混合神经网络的PM2.5浓度值预测方法,其特征在于:所述步骤1中,所述PM2.5浓度值相关指标历史数据包括空气质量指数AQI、PM10、SO2、CO、CO2和O3,所述气象历史数据包括平均气温、露点、相对湿度、压强、风速和降水量,所述PM2.5成分解析数据包括机动车保有量、工业废气排放量和用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610401881.7A CN106056210B (zh) | 2016-06-07 | 2016-06-07 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610401881.7A CN106056210B (zh) | 2016-06-07 | 2016-06-07 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056210A true CN106056210A (zh) | 2016-10-26 |
CN106056210B CN106056210B (zh) | 2018-06-01 |
Family
ID=57171107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610401881.7A Active CN106056210B (zh) | 2016-06-07 | 2016-06-07 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056210B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
WO2018220566A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Neural network classification |
CN109376903A (zh) * | 2018-09-10 | 2019-02-22 | 浙江工业大学 | 一种基于博弈神经网络的pm2.5浓度值预测方法 |
CN109670646A (zh) * | 2018-12-21 | 2019-04-23 | 浙江工业大学 | 一种基于混合门限神经网络的pm2.5浓度值预测方法 |
TWI662422B (zh) * | 2018-04-23 | 2019-06-11 | 國家中山科學研究院 | Air quality prediction method based on machine learning model |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110046771A (zh) * | 2019-04-25 | 2019-07-23 | 河南工业大学 | 一种pm2.5浓度预测方法与装置 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
US10599977B2 (en) | 2016-08-23 | 2020-03-24 | International Business Machines Corporation | Cascaded neural networks using test ouput from the first neural network to train the second neural network |
CN111174824A (zh) * | 2019-12-27 | 2020-05-19 | 北京首钢自动化信息技术有限公司 | 一种酸雾排放的管控平台 |
US10713783B2 (en) | 2017-06-01 | 2020-07-14 | International Business Machines Corporation | Neural network classification |
CN112529344A (zh) * | 2019-09-18 | 2021-03-19 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
WO2021099427A1 (fr) * | 2019-11-22 | 2021-05-27 | Elichens | Procédé d'estimation de la concentration en analyte dans l'air au voisinage d'une voie parcourue par des moyens de transport |
CN113011660A (zh) * | 2021-03-23 | 2021-06-22 | 上海应用技术大学 | 空气质量预测方法、系统及存储介质 |
CN113281229A (zh) * | 2021-02-09 | 2021-08-20 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535465A (zh) * | 2015-01-07 | 2015-04-22 | 东北大学 | 基于神经网络的pm2.5浓度检测方法及装置 |
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
-
2016
- 2016-06-07 CN CN201610401881.7A patent/CN106056210B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535465A (zh) * | 2015-01-07 | 2015-04-22 | 东北大学 | 基于神经网络的pm2.5浓度检测方法及装置 |
CN104729965A (zh) * | 2015-01-28 | 2015-06-24 | 东北大学 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
Non-Patent Citations (1)
Title |
---|
刘敏等: "《基于混合神经网络的臭氧浓度软测量》", 《计算机测量与控制》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599977B2 (en) | 2016-08-23 | 2020-03-24 | International Business Machines Corporation | Cascaded neural networks using test ouput from the first neural network to train the second neural network |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN106611090B (zh) * | 2016-12-31 | 2018-04-10 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106650825B (zh) * | 2016-12-31 | 2020-05-12 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN107192690A (zh) * | 2017-05-19 | 2017-09-22 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
CN107192690B (zh) * | 2017-05-19 | 2019-04-23 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
US11935233B2 (en) | 2017-06-01 | 2024-03-19 | International Business Machines Corporation | Neural network classification |
WO2018220566A1 (en) * | 2017-06-01 | 2018-12-06 | International Business Machines Corporation | Neural network classification |
CN110622175B (zh) * | 2017-06-01 | 2023-09-19 | 国际商业机器公司 | 神经网络分类 |
GB2577017A (en) * | 2017-06-01 | 2020-03-11 | Ibm | Neural network classification |
US11138724B2 (en) | 2017-06-01 | 2021-10-05 | International Business Machines Corporation | Neural network classification |
US10713783B2 (en) | 2017-06-01 | 2020-07-14 | International Business Machines Corporation | Neural network classification |
CN110622175A (zh) * | 2017-06-01 | 2019-12-27 | 国际商业机器公司 | 神经网络分类 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108399470B (zh) * | 2018-02-09 | 2021-10-08 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN108426812B (zh) * | 2018-04-08 | 2020-07-31 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
TWI662422B (zh) * | 2018-04-23 | 2019-06-11 | 國家中山科學研究院 | Air quality prediction method based on machine learning model |
CN109376903A (zh) * | 2018-09-10 | 2019-02-22 | 浙江工业大学 | 一种基于博弈神经网络的pm2.5浓度值预测方法 |
CN109670646A (zh) * | 2018-12-21 | 2019-04-23 | 浙江工业大学 | 一种基于混合门限神经网络的pm2.5浓度值预测方法 |
CN109916788B (zh) * | 2019-01-14 | 2020-05-19 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110046771A (zh) * | 2019-04-25 | 2019-07-23 | 河南工业大学 | 一种pm2.5浓度预测方法与装置 |
CN112529344A (zh) * | 2019-09-18 | 2021-03-19 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
CN112529344B (zh) * | 2019-09-18 | 2023-09-05 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Elman神经网络优化空气质量数值的算法 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
WO2021099427A1 (fr) * | 2019-11-22 | 2021-05-27 | Elichens | Procédé d'estimation de la concentration en analyte dans l'air au voisinage d'une voie parcourue par des moyens de transport |
CN111174824A (zh) * | 2019-12-27 | 2020-05-19 | 北京首钢自动化信息技术有限公司 | 一种酸雾排放的管控平台 |
CN111174824B (zh) * | 2019-12-27 | 2022-04-12 | 北京首钢自动化信息技术有限公司 | 一种酸雾排放的管控平台 |
CN113281229A (zh) * | 2021-02-09 | 2021-08-20 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN113281229B (zh) * | 2021-02-09 | 2022-11-29 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN113011660A (zh) * | 2021-03-23 | 2021-06-22 | 上海应用技术大学 | 空气质量预测方法、系统及存储介质 |
CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106056210B (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056210A (zh) | 一种基于混合神经网络的pm2.5浓度值预测方法 | |
Krishan et al. | Air quality modelling using long short-term memory (LSTM) over NCT-Delhi, India | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
Zhou et al. | Industrial structural upgrading and spatial optimization based on water environment carrying capacity | |
Zhu et al. | Daily air quality index forecasting with hybrid models: A case in China | |
CN106611090B (zh) | 一种基于重构深度学习的道边空气污染物浓度预测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 | |
Cai et al. | Prediction of hourly air pollutant concentrations near urban arterials using artificial neural network approach | |
He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
Asghari et al. | Predicting air pollution in Tehran: Genetic algorithm and back propagation neural network | |
Gadhavi et al. | Student final grade prediction based on linear regression | |
CN103942398A (zh) | 基于遗传算法及广义回归神经网络的交通仿真校正方法 | |
Abdul-Wahab et al. | Prediction of optimum sampling rates of air quality monitoring stations using hierarchical fuzzy logic control system | |
CN109376331A (zh) | 一种基于梯度提升回归树的城市公交车排放率估计方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN111077048A (zh) | 基于移动设备的机会式群体智能空气质量监测及评估方法 | |
Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
Das et al. | Prediction of air pollutants for air quality using deep learning methods in a metropolitan city | |
Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
Kadiyala et al. | Application of MATLAB to select an optimum performing genetic algorithm for predicting in-vehicle pollutant concentrations | |
Yang | Construction of graduate behavior dynamic model based on dynamic decision tree algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |