CN106599520A - 一种基于lstm‑rnn模型的空气污染物浓度预报方法 - Google Patents
一种基于lstm‑rnn模型的空气污染物浓度预报方法 Download PDFInfo
- Publication number
- CN106599520A CN106599520A CN201611267916.9A CN201611267916A CN106599520A CN 106599520 A CN106599520 A CN 106599520A CN 201611267916 A CN201611267916 A CN 201611267916A CN 106599520 A CN106599520 A CN 106599520A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- air pollutant
- pollutant concentration
- rnn
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于LSTM‑RNN(Long Short‑Term Memory)模型的空气污染物浓度预报方法,监测收集较长一段时间内的空气污染物浓度数据;对历史数据进行预处理来构造待训练LSTM‑RNN模型的训练、验证、测试样本数据;通过训练样本数据得到预先训练的LSTM‑RNN模型,然后通过构造的验证和测试样本数据微调训练得到LSTM‑RNN模型参数,通过进一步修正模型参数来提高模型精度,将该修正后的LSTM‑RNN模型作为空气污染物浓度预报模型;最终将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM‑RNN模型的输入数据,模型输出得到当前或未来某一时刻的空气污染物浓度的预报结果。
Description
技术领域
本发明涉及一种基于LSTM-RNN模型的空气污染物浓度预报方法,属于环境污染预报领域。
背景技术
随着工业化与城市化的快速发展,能源与交通规模逐渐扩大,城市人口迅速膨胀,大气污染已经日益成为地区性问题,污染性质也逐渐向复合型污染转变,多种不利条件形成的复合型大气环境污染亟待解决。空气污染物浓度大小,如:一氧化碳、氮氧化物、碳氢化合物、硫氧化物和颗粒物等,对人体健康或生态系统具有不良效应。因此,有必要根据以往的空气污染物浓度数据,对当前或未来某一时刻的空气污染物进行预报,从而调整或限制实时工业排放、交通流等状况,保证空气污染物浓度在相对合理的范围内,极大程度的减少由于空气污染物浓度过高导致的一系列不良效应。但由于空气污染物浓度的影响因素复杂繁多,从长期或平均状态来说,取决于城市的能源结构、交通和工业排放污染物的多少,但从短期或实时状态而言,却主要与当地、当时的气象条件有关。这一系列的因素导致对空气污染物浓度进行预报具有一定的挑战性,因此目前国内外还没有有效的技术方法对重污染过程进行准确的预报,高浓度污染的预报成为了国内外亟待克服的重要难题。
1993年文献《刘敏琦-大气污染浓度的多元回归预测模型》(黑龙江大学自然科学学报,1993,S1:19-21.)首次提出采用多元回归模型用于空气污染物浓度预测,其主要思路是:在对实际问题分析研究的基础上,通过对调查收集掌握的定量数据资料进行分析,找出影响事物发展的各种外部因素,从而确定诸因素之间的相互关系,形成一个回归方程用于预测。这种多元回归方程的一般形式为:
y(k)=b0+b1x1(k)+b2x2(k)+…+bmxm(k)
其中xi(k)(i=1,2,…,m)为对y(k)有影响的因素。
专利《基于数值模式与统计分析结合的大气重污染预报方法》(申请号:CN201310038573.9)提出了一种基于数值模式与统计分析结合的大气重污染预报方法。该方法将数值预报方法与统计预报方法相结合,一定程度上克服了两种预报方法单独使用时存在的缺点,即数值预报方法对非重污染时段预报效果较好,但对由于复杂气象条件导致污染物输送、扩散、转化的重污染时段预报误差高达400%;而统计预报方法准确率和计算效率较高,但对历史资料依赖性较强,并缺乏一定物理意义。
专利《一种基于特征向量和最小二乘支持向量机的PM25浓度预测方法》(申请号:CN201410201739.9)提出了一种基于特征向量和最小二乘支持向量机的PM2.5浓度预测方法。该方法结合环境监测数据和实际情况,将空气湿度、风力、温度三个因素与PM2.5的形成机理相结合,提出综合气象指数公式的概念;采用包含综合气象指数的特征向量A与去除综合气象指数的特征向量B构成样本训练LS-SVM模型并对预测结果进行评价。
专利《一种基于多领域特征的城市空气质量等级预测方法》(申请号:CN201410452557.9)提出了一种基于多领域特征的城市空气质量等级预测方法。该方法采用网格划分法进行数据预处理,获取训练数据集;训练阶段估计出条件随机场模型最优参数,得到最优模型;预测阶段采用维特比算法结合条件随机场模型得到预测结果序列。
专利《一种空气污染物浓度预测方法》(申请号:CN201510767342.0)针对不同模型的适用特点对小波分解后不同级别尺度的序列使用不同的模型,即利用ARMA更适用于平稳序列的预测以及SVR更适用于不平稳序列的预测的特点对最后一级尺度的相对较为不平稳的低频近似序列使用SVR建模预测并且对它相对较为平稳的高频细节序列使用ARMA建模预测。
上述这些方法均实现了依据历史空气污染物浓度监测数据对当前或未来某一时刻空气污染物浓度进行预报,但是他们共有的问题是:预测方法较为复杂,对历史数据的利用、整合有待加强,泛化能力及预报准确率都有待提高。
发明内容
本发明技术解决问题:克服现有技术的不足,提出一种基于LSTM-RNN模型的空气污染物浓度预报方法,弥补现有技术的不足,具有较强的泛化能力,实现较高的预测精度。
本发明技术解决方案:一种基于LSTM-RNN模型的空气污染物浓度预报方法,步骤如下:
首先收集目标城市较长时间内(一年)的空气污染物浓度数据,选取与空气污染物浓度有关的数据进行汇总,对于其中部分缺失的数据,采用缺失数据前V个与后V个数据取平均值的方法进行填补,V表示前后取数的个数,取值为20-30个;然后构造待训练的LSTM-RNN模型的训练样本数据,从数据库中读出目标城市的污染数据,运用公式(其中x为待归一化处理的原始数据,xmax、xmin分别为原始数据中的最大值和最小值,xnorm为归一化处理后的数据)对原始数据做归一化处理,使其值在0到1之间,构成LSTM-RNN模型的输入特征向量,并按照75%、15%、10%的比例划分为训练、验证和测试样本数据;最后通过训练样本数据得到预先训练的LSTM-RNN模型,然后通过构造的验证和测试样本数据微调训练得到的LSTM-RNN模型参数,通过进一步修正模型参数,提高模型精度,将该修正后的LSTM-RNN模型作为空气污染物浓度预测模型,该模型具有1个输入层和5个隐藏层,其输出层使用identity函数来执行回归,将该训练后的LSTM-RNN模型作为空气污染物浓度预报模型。需要注意的是,与普通的RNN相比,LSTM-RNN模型的隐藏层单元均采用LSTM(长短时记忆)单元,该单元具有三个门:输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中,如果为1(门开),则允许输入,如果为0(门关),则不允许,这样就可以摒弃掉一些没用的输入信息;遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据,如果为1(门开),则保留,如果为0(门关),则清空当前节点所存储的历史污染物浓度数据;输出门表示是否将当前节点输出值输出给下一层(下一个隐藏层或者输出层),如果为1(门开),则当前节点的输出值将作用于下一层,如果为0(门关),则当前节点输出值不输出。
LSTM单元具体公式表示如下:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht=ottanh(ct)
其中σ为逻辑sigmoid函数,i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors),隐藏层单元,Wxi、Whi、Wci分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵,Wxf、Whf、Wcf分别为输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵,Wxo、Who、Wco分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵,Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵,所述权重矩阵均为对角阵;bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值,t作为下标时表示采样时刻,tanh为激活函数。
最终将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据,模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果。
本发明与现有技术相比的优点在于:本发明利用深度学习算法,采用一种基于LSTM-RNN模型的空气污染物浓度预报方法。与传统方法相比,使用深度学习的方法对空气污染物浓度进行预报,不必实时采用人工方法测量,节约了人力物力资源,同时使用LSTM单元能够加强后面的时间节点对前面的时间节点感知力,可以实现对测量数据的充分利用,极大的提高了预测效率和准确度,同时具有较高的泛化能力,具有极大的社会价值和现实意义。
附图说明
图1为本发明实现流程图;
图2为本发明使用的LSTM单元示意图;
图3为单隐藏层LSTM-RNN模型结构示意图;
图4为sigmoid激活函数示意图;
图5为tanh激活函数示意图;
图6为全连接与dropout连接对比示意图,其中左图为全连接方式,右图为dropout连接方式。
具体实施方式
如图1所示,本发明具体实现如下:
1、空气污染物浓度数据采集:每5分钟对目标区域的空气污染物浓度进行一次实时监测记录,共采集一年内的数据量,预计2×6×24×365=105124条数据记录,对于其中部分缺失的数据,采用缺失数据前V个与后V个数据取平均值的方法进行填补,从而保证原始数据的完备性和充足性,保证预测结果的准确性和可信度,本发明实施例V采用25个。
2、数据预处理:在训练神经网络前,需要对采集到的空气污染物浓度数据进行归一化处理。所谓归一化处理,就是将数据映射到[0,1]或[-1,1]区间或更小的区间,保证不同数据范围的输入数据发挥相同的作用。本发明中采用的归一化处理公式如下:
其中x为待归一化处理的原始数据,xmax、xmin分别为原始数据中的最大值和最小值,xnorm为归一化处理后的数据。
将归一化处理后的空气污染物浓度数据分为训练、验证和测试样本数据,三部分数据所占比例依次为75%、15%、10%,用于之后的LSTM-RNN模型的训练、验证和测试。
3、网络模型结构:本发明采用具有一个输入层、5个隐藏层的LSTM-RNN网络模型,输出层使用identity函数来执行回归(如图3给出了单隐藏层LSTM-RNN模型结构示意图)。需要注意的是,与普通的RNN相比,LSTM-RNN模型的隐藏层单元均采用LSTM(长短时记忆)单元,该单元具有三个门:输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中,如果为1(门开),则允许输入,如果为0(门关),则不允许,这样就可以摒弃掉一些没用的输入信息;遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据,如果为1(门开),则保留,如果为0(门关),则清空当前节点所存储的历史污染物浓度数据;输出门表示是否将当前节点输出值输出给下一层(下一个隐藏层或者输出层),如果为1(门开),则当前节点的输出值将作用于下一层,如果为0(门关),则当前节点输出值不输出。LSTM单元结构弥补了传统RNN结构上的不足,即后面的时间节点对前面的时间节点感知力下降。LSTM单元是一种称作记忆细胞的特殊单元,类似于累加器和门控神经元:它在下一时间步长将拥有一个权值并连接到自身,拷贝自身状态的真实值和累积的外部信号,但这种自联接是由另一个单元学习并决定何时清除记忆内容的乘法门控制,具体内容如下:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht=ottanh(ct)
其中σ为逻辑sigmoid函数,i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors),隐藏层单元,Wxi、Whi、Wci分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵,Wxf、Whf、Wcf分别为输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵,Wxo、Who、Wco分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵,Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵,所述权重矩阵均为对角阵;bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值,t作为下标时表示采样时刻,tanh为激活函数。
Gate使用一个sigmoid激活函数(如图4所示):
其中,x是输入数据。如图4所示,它能够把输入向量值“压缩”到[0,1]范围内,特别的,若输入为非常大的负数时,输出为0;若输入为非常大的正数时,输出为1。
而input和cell state通常会使用tanh激活函数(如图5所示)来转换:
其中,x是输入数据。如图5所示,它将一个实数输入映射到[-1,1]范围内。当输入为0时,tanh函数输出为0。
4、网络训练:初始化隐藏状态(hidden states)为0,将当前minibatch的最终隐藏状态作为后续minibatch的初始隐藏状态(连续的minibatch按顺序遍历整个训练集),每个minibatch的尺寸均为20。
本发明中使用的LSTM-RNN模型共包含一个输入层、五个隐藏层,输出层使用identity函数来执行回归,且每个隐藏层均具有650个单元,其参数在区间[-0.05,0.05]范围内均匀初始化。另外,在非循环连接处应用50%的dropout,如图6左图所示为全连接形式,即在模型训练时所有隐藏层节点均需工作;如图6右图所示为采用dropout的连接形式,即在模型训练时随即让网络某些隐含层节点的权重不工作,不工作的节点可暂时认为不是网络结构的一部分,但其权重需保留下来(只是暂时不更新),以便下次样本输入时重新工作。dropout可以有效防止网络训练过程中出现过拟合现象。
本发明中使用的基于LSTM单元的RNN网络结构训练10000epochs,学习速率(learning rate)为1,训练2500epochs后的每一个epoch开始以系数1.15降低学习速率。在训练的每一步过程中,依据交叉熵(cross entropy)准则计算误差向量,根据标准反向传播算法更新权重:
error(t)=desired(t)-y(t)
其中desired为预测输出值,y(t)为实际网络输出值,error为误差值。
训练样本数据中的空气污染物浓度序列作为训练输入,验证样本数据在训练网络的过程中每迭代1000次进行一次测试,最终比较test loss和train loss。当test loss不再降低时,终止网络训练,标志着用于空气污染物浓度预报的包含LSTM单元的RNN网络训练完成。
(1)前向传播过程:
输入门与为:
遗忘门与为:
单元(cells)与为:
输出门与为:
单元输出(cell outputs)为:
(2)误差反向传播更新与为:
单元输出(cell outputs)为:
输出门为:
状态(states)为:
单元(cells)为:
遗忘门为:
输入门为:
其中l、f、ω、c、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)、隐藏层单元,Wil、Whl、Wcl分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵,Wiφ、Whφ、Wcφ分别为输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵,Wiω、Whω、Wcω分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵,Wic、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵,(注:这些权重矩阵均为对角阵)。
5、网络测试(调参和优化):将测试集中的空气污染物浓度数据输入到训练好的LSTM-RNN模型结构中,查看依据历史数据预测得到的未来某一时刻空气污染物浓度数据与期望值的差距,从而对LSTM-RNN中的网络参数进行调整,逐步提高预测精度。
6、最终将该训练、验证、测试后的LSTM-RNN模型作为空气污染物浓度预测模型。将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据,通过LSTM-RNN模型对输入数据进行学习,最终输出得到当前或未来某一时刻的空气污染物浓度预报的结果。
本发明所采用的方法极大程度上利用、整合了历史观测数据之间的关系,提高对空气污染物浓度的预测精度与效率,同时具有较强的泛化能力,具有一定的社会价值和现实意义。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (8)
1.一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:
步骤一,首先收集目标城市较长时间内的空气污染物浓度数据,作为历史数据,并存入数据库;
步骤二,然后通过对收集到的历史数据进行预处理,构造待训练的LSTM-RNN(LongShort-Term Memory,长短时记忆)模型的训练样本数据、验证样本数据和测试样本数据;
步骤三,通过训练样本数据得到预先训练的LSTM-RNN模型,然后通过构造的验证样本数据和测试样本数据微调训练得到的LSTM-RNN模型参数,通过进一步修正LSTM-RNN模型参数,提高LSTM-RNN模型精度,将该修正后的LSTM-RNN模型作为空气污染物浓度预报模型;
步骤四,将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据,通过LSTM-RNN模型对输入数据进行学习,最终LSTM-RNN模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果。
2.根据权利要求1所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:步骤一中,收集目标城市较长时间内,即一年的空气污染物浓度数据,选取与空气污染物浓度有关的数据进行汇总,对于其中部分缺失的数据,采用平均值法填补缺失数据,并存入数据库。
3.根据权利要求2所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:所述的平均值法为:采用缺失数据前V个与后V个数据取平均值的方法,V表示前后取数的个数,取值为20-30个。
4.根据权利要求1所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:步骤二中,构造待训练的LSTM-RNN模型的训练样本数据:从数据库中读出目标城市的污染数据,进行归一化处理,构成LSTM-RNN模型的输入特征向量,并按照75%、15%、10%的比例划分为训练样本数据、验证样本数据和测试样本数据。
5.根据权利要求4所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:所述归一化处理的公式对收集到的目标城市较长时间内的空气污染物浓度数据做归一化处理,使其值在0到1之间,其中x为待归一化处理的原始数据,xmax、xmin分别为原始数据中的最大值和最小值,xnorm为归一化处理后的数据。
6.根据权利要求1所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:所述步骤三中,LSTM-RNN模型采用具有1个输入层、5个隐藏层,输出层,使用identity函数来执行回归。
7.根据权利要求6所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:所述5个隐藏层采用LSTM(长短时记忆)单元,该单元具有三个门:输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中,如果为1即门开,则允许输入,如果为0,即门关,则不允许,这样就可以摒弃掉一些没用的输入信息;遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据,如果为1即门开,则保留,如果为0,即门关,则清空当前节点所存储的历史污染物浓度数据;输出门表示是否将当前节点输出值输出给下一层,即下一个隐藏层或者输出层,如果为1,即门开,则当前节点的输出值将作用于下一层,如果为0,即门关,则当前节点输出值不输出。
8.根据权利要求7所述的一种基于LSTM-RNN模型的空气污染物浓度预报方法,其特征在于:所述LSTM单元具体公式表示如下:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht=ottanh(ct)
其中σ为逻辑sigmoid函数,i、f、o、c、h分别表示输入门(input gate)、遗忘门(forgetgate)、输出门(output gate)、单元激活向量(cell activation vectors),隐藏层单元,Wxi、Whi、Wci分别为输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵,Wxf、Whf、Wcf分别为输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵,Wxo、Who、Wco分别为输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵,Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵,所述权重矩阵均为对角阵;bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值,t作为下标时表示采样时刻,tanh为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267916.9A CN106599520B (zh) | 2016-12-31 | 2016-12-31 | 一种基于lstm-rnn模型的空气污染物浓度预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267916.9A CN106599520B (zh) | 2016-12-31 | 2016-12-31 | 一种基于lstm-rnn模型的空气污染物浓度预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599520A true CN106599520A (zh) | 2017-04-26 |
CN106599520B CN106599520B (zh) | 2018-08-03 |
Family
ID=58581952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611267916.9A Active CN106599520B (zh) | 2016-12-31 | 2016-12-31 | 一种基于lstm-rnn模型的空气污染物浓度预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599520B (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN108133289A (zh) * | 2017-12-21 | 2018-06-08 | 中国铁建电气化局集团有限公司 | 基于环境预测的隧道通风控制方法及系统 |
CN108184128A (zh) * | 2018-01-11 | 2018-06-19 | 安徽优思天成智能科技有限公司 | 基于深度神经网络的视频序列丢失帧预测恢复方法 |
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达(北京)技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
CN108427665A (zh) * | 2018-03-15 | 2018-08-21 | 广州大学 | 一种基于lstm型rnn模型的文本自动生成方法 |
CN108460492A (zh) * | 2018-03-19 | 2018-08-28 | 国通广达(北京)技术有限公司 | 一种综合管廊内部氧气浓度lstm预测方法及系统 |
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN109086946A (zh) * | 2018-09-11 | 2018-12-25 | 东南大学 | 一种常规能源和新能源公交车辆的污染气体排放预测方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109738939A (zh) * | 2019-03-21 | 2019-05-10 | 蔡寅 | 一种地震前兆数据异常检测方法 |
CN109738972A (zh) * | 2018-12-29 | 2019-05-10 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
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 |
CN109902881A (zh) * | 2019-03-19 | 2019-06-18 | 武汉乐易创想科技有限公司 | 基于多元统计分析和lstm融合的pm2.5浓度预测方法 |
CN109978279A (zh) * | 2019-04-10 | 2019-07-05 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN110068543A (zh) * | 2019-03-26 | 2019-07-30 | 昆明理工大学 | 一种基于迁移学习的太赫兹光谱识别方法 |
CN110189026A (zh) * | 2019-05-30 | 2019-08-30 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110390307A (zh) * | 2019-07-25 | 2019-10-29 | 首都师范大学 | 表情识别方法、表情识别模型训练方法及装置 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
CN110647354A (zh) * | 2019-09-30 | 2020-01-03 | 东软医疗系统股份有限公司 | 设备运行控制方法、装置及设备 |
CN110659758A (zh) * | 2018-06-30 | 2020-01-07 | 杭州真气科技有限公司 | 一种基于ai技术的空气质量短期高精度预测模型 |
CN110675920A (zh) * | 2019-10-22 | 2020-01-10 | 华北电力大学 | 一种基于MI-LSTM的锅炉NOx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 |
CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
CN111239014A (zh) * | 2020-01-09 | 2020-06-05 | 河北工业大学 | 一种空气中pm2.5的检测方法、装置、设备及介质 |
CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
CN111563645A (zh) * | 2020-03-23 | 2020-08-21 | 成都信息工程大学 | 健康舒适度信息检测方法、系统、存储介质、智能终端 |
CN111754046A (zh) * | 2020-07-02 | 2020-10-09 | 成都大学 | 面向结构化数据的深度卷积线性条件随机场的实现方法 |
CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
CN112101664A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨工业大学 | 基于堆叠lstm-gru的多参数大气环境数据生成方法 |
CN112434873A (zh) * | 2020-12-03 | 2021-03-02 | 上海应用技术大学 | 一种新型元计算lstm预测干熄焦循环风量的方法 |
CN112540159A (zh) * | 2020-11-27 | 2021-03-23 | 中广核工程有限公司 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
CN113380340A (zh) * | 2021-06-21 | 2021-09-10 | 深圳开云智能有限公司 | 飞灰浓度预测模型的训练方法、装置、计算机设备 |
CN113884809A (zh) * | 2021-09-28 | 2022-01-04 | 国网黑龙江省电力有限公司 | 一种基于神经网络的二次设备故障定位方法及系统 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN117744704A (zh) * | 2024-02-21 | 2024-03-22 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
CN117744704B (zh) * | 2024-02-21 | 2024-04-30 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 中南大学 | 一种城市空气质量浓度监测缺失数据的修复方法 |
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
-
2016
- 2016-12-31 CN CN201611267916.9A patent/CN106599520B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 中南大学 | 一种城市空气质量浓度监测缺失数据的修复方法 |
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
Non-Patent Citations (1)
Title |
---|
杨训政等: "基于LSTM-RNN模型的空气污染物浓度预报方法", 《电气自动化》 * |
Cited By (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN107563122B (zh) * | 2017-09-20 | 2020-05-19 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
CN107679743B (zh) * | 2017-09-29 | 2021-06-22 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN107909206B (zh) * | 2017-11-15 | 2021-06-04 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108133289A (zh) * | 2017-12-21 | 2018-06-08 | 中国铁建电气化局集团有限公司 | 基于环境预测的隧道通风控制方法及系统 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN108197736B (zh) * | 2017-12-29 | 2021-08-13 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
CN108184128A (zh) * | 2018-01-11 | 2018-06-19 | 安徽优思天成智能科技有限公司 | 基于深度神经网络的视频序列丢失帧预测恢复方法 |
CN108491953A (zh) * | 2018-01-31 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN108491953B (zh) * | 2018-01-31 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 一种基于非线性理论的pm2.5预测与预警方法及系统 |
CN108427665A (zh) * | 2018-03-15 | 2018-08-21 | 广州大学 | 一种基于lstm型rnn模型的文本自动生成方法 |
CN108460492A (zh) * | 2018-03-19 | 2018-08-28 | 国通广达(北京)技术有限公司 | 一种综合管廊内部氧气浓度lstm预测方法及系统 |
CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达(北京)技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
US11488069B2 (en) * | 2018-04-23 | 2022-11-01 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
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 |
CN110659758A (zh) * | 2018-06-30 | 2020-01-07 | 杭州真气科技有限公司 | 一种基于ai技术的空气质量短期高精度预测模型 |
CN109086946A (zh) * | 2018-09-11 | 2018-12-25 | 东南大学 | 一种常规能源和新能源公交车辆的污染气体排放预测方法 |
CN109086946B (zh) * | 2018-09-11 | 2021-09-17 | 东南大学 | 一种常规能源和新能源公交车辆的污染气体排放预测方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109725626B (zh) * | 2018-11-20 | 2020-10-09 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109615124A (zh) * | 2018-11-29 | 2019-04-12 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109615124B (zh) * | 2018-11-29 | 2022-12-30 | 中国铁路总公司 | 一种基于深度学习的scada主站负荷预测方法 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN109711617B (zh) * | 2018-12-25 | 2022-08-19 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN109738972A (zh) * | 2018-12-29 | 2019-05-10 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN109978228B (zh) * | 2019-01-31 | 2023-12-12 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN109902881A (zh) * | 2019-03-19 | 2019-06-18 | 武汉乐易创想科技有限公司 | 基于多元统计分析和lstm融合的pm2.5浓度预测方法 |
CN109738939A (zh) * | 2019-03-21 | 2019-05-10 | 蔡寅 | 一种地震前兆数据异常检测方法 |
CN110068543A (zh) * | 2019-03-26 | 2019-07-30 | 昆明理工大学 | 一种基于迁移学习的太赫兹光谱识别方法 |
CN109978279A (zh) * | 2019-04-10 | 2019-07-05 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN109978279B (zh) * | 2019-04-10 | 2023-05-02 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110189026A (zh) * | 2019-05-30 | 2019-08-30 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN110189026B (zh) * | 2019-05-30 | 2021-11-12 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN110390307A (zh) * | 2019-07-25 | 2019-10-29 | 首都师范大学 | 表情识别方法、表情识别模型训练方法及装置 |
CN110390307B (zh) * | 2019-07-25 | 2021-06-08 | 首都师范大学 | 表情识别方法、表情识别模型训练方法及装置 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
CN110647354B (zh) * | 2019-09-30 | 2021-11-05 | 东软医疗系统股份有限公司 | 设备运行控制方法、装置及设备 |
CN110647354A (zh) * | 2019-09-30 | 2020-01-03 | 东软医疗系统股份有限公司 | 设备运行控制方法、装置及设备 |
CN110675920A (zh) * | 2019-10-22 | 2020-01-10 | 华北电力大学 | 一种基于MI-LSTM的锅炉NOx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 |
CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
CN111239014A (zh) * | 2020-01-09 | 2020-06-05 | 河北工业大学 | 一种空气中pm2.5的检测方法、装置、设备及介质 |
CN111239014B (zh) * | 2020-01-09 | 2022-10-21 | 河北工业大学 | 一种空气中pm2.5的检测方法、装置、设备及介质 |
CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111340292B (zh) * | 2020-02-26 | 2022-05-10 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
CN111563645B (zh) * | 2020-03-23 | 2023-07-18 | 成都信息工程大学 | 健康舒适度信息检测方法、系统、存储介质、智能终端 |
CN111563645A (zh) * | 2020-03-23 | 2020-08-21 | 成都信息工程大学 | 健康舒适度信息检测方法、系统、存储介质、智能终端 |
CN111754046A (zh) * | 2020-07-02 | 2020-10-09 | 成都大学 | 面向结构化数据的深度卷积线性条件随机场的实现方法 |
CN112101664B (zh) * | 2020-09-16 | 2022-07-12 | 哈尔滨工业大学 | 基于堆叠lstm-gru的多参数大气环境数据生成方法 |
CN112101664A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨工业大学 | 基于堆叠lstm-gru的多参数大气环境数据生成方法 |
CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
CN112540159A (zh) * | 2020-11-27 | 2021-03-23 | 中广核工程有限公司 | 核电厂大气扩散预测校正方法、系统、介质及电子设备 |
CN112434873A (zh) * | 2020-12-03 | 2021-03-02 | 上海应用技术大学 | 一种新型元计算lstm预测干熄焦循环风量的方法 |
CN113380340A (zh) * | 2021-06-21 | 2021-09-10 | 深圳开云智能有限公司 | 飞灰浓度预测模型的训练方法、装置、计算机设备 |
CN113884809A (zh) * | 2021-09-28 | 2022-01-04 | 国网黑龙江省电力有限公司 | 一种基于神经网络的二次设备故障定位方法及系统 |
CN113959979B (zh) * | 2021-10-29 | 2022-07-29 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN117744704A (zh) * | 2024-02-21 | 2024-03-22 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
CN117744704B (zh) * | 2024-02-21 | 2024-04-30 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106599520B (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599520B (zh) | 一种基于lstm-rnn模型的空气污染物浓度预报方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN110070713A (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN109214575A (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN106650825A (zh) | 一种机动车尾气排放数据融合系统 | |
CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN110263860A (zh) | 一种高速公路交通流预测方法及装置 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN114757330A (zh) | 基于lstm的城市瞬时用水量预测方法 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
Hu | Bidirectional analysis model of green investment and carbon emission based on LSTM neural network | |
CN106227798A (zh) | 一种基于紧凑协同进化算法的本体匹配方法 | |
CN103034754B (zh) | 车身轻量化设计的解耦模式的数据处理分组建模方法 | |
Wang et al. | Modeling and Estimation of CO 2 Emissions in China Based on Artificial Intelligence |
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 |