CN106611090B - 一种基于重构深度学习的道边空气污染物浓度预测方法 - Google Patents
一种基于重构深度学习的道边空气污染物浓度预测方法 Download PDFInfo
- Publication number
- CN106611090B CN106611090B CN201611267909.9A CN201611267909A CN106611090B CN 106611090 B CN106611090 B CN 106611090B CN 201611267909 A CN201611267909 A CN 201611267909A CN 106611090 B CN106611090 B CN 106611090B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pollutant concentration
- side air
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于重构深度学习的道边空气污染物浓度预测方法,基于重构深度学习方法,根据道边空气污染物的时空分布特点,提出深度重构Elman模型;根据限制玻耳兹曼机的特点,利用道边空气污染物浓度数据集的部分输入数据,完成深度重构Elman模型的初始化;采用梯度下降算法,对深度重构Elman模型进行训练,通过模型的特征映射功能,得到基于路网信息、气象信息、交通信息等因素的道边空气污染物浓度实时预测方法。
Description
技术领域
本发明涉及环境检测领域中道边空气污染物浓度相关问题,具体涉及一种基于重构深度学习的道边空气污染物浓度预测方法。
背景技术
城市污染物主要是由交通排放产生的,主要污染物有一氧化碳CO、二氧化碳CO2、氮氧化物NOx等。CO是稳定的物质,不会在空气中与其他污染物或物质发生化学反应,NO能与臭氧O3反映生成NO2,而NO2也能转变为NO。CO不仅有毒,且与CO2均为温室气体,产生的温室效应对全球环境有重要危害,NO2是造成肺功能损害的主要物质,因此对道边空气污染物浓度进行实时预测对环境管理和交通规划具有重要意义。
受经济水平和科研能力的限制,我国空气质量监测工作起步较晚,自上世纪七十年代开始到现在,经过四十多年的发展,目前我国很多省市已经建立起空气质量监测系统,但针对道边空气污染物浓度的检测仍存在很大的进步空间。其中的主要原因有:一、目前用于道边空气污染物浓度检测的设备主要为空气监测站,该设备价格昂贵,只能在城市内布设有限数量的站点,然而城市路网庞大,拓扑结构和周围环境复杂,通过检测设备实现城市各区域道边空气污染物浓度的实时预测可行性很低。二、基于设备全面检测的低可行性,各国学者力图通过预测方法来解决这个问题,目前国内外针对道边空气污染物浓度的研究中,采用的方法主要分两大类:1、高斯模型以及后续的以高斯模型为基础的一系列线源模型,这类方法针对不同状态的道路需采用不同的模型,且对复杂道路的模型准确性不高;2、基于神经网络的道边污染物浓度检测,这类方法能通过识别输入、输出数据之间简单的非线性关系,但在学习输入、输出数据内部之间更本质的特征映射方面有很大局限性,每个神经网络只能表征一种污染物与输入的关系,在实时性和迁移性上存在很大缺陷。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于重构深度学习的道边空气污染物浓度预测方法,能够实现具有良好迁移性的更高精度的实时预测。
本发明技术解决方案:一种基于重构深度学习的道边空气污染物浓度预测方法包括以下步骤:
步骤1:基于重构深度学习方法,根据道边空气污染物的时空分布特点,构建深度重构Elman模型;所述污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx;
步骤2:根据限制玻耳兹曼机的特征,从道边空气污染物浓度数据集中随机选取部分数据,完成深度重构Elman模型的初始化;
1)对道路空气污染物浓度数据集中的数据进行归一化处理,并将数据集按照60%、20%、20%的比例划分为训练集、验证集、测试集。
2)对限制玻尔兹曼机设置合适的重构误差阈值,利用训练集中的输入数据对限制玻尔兹曼机进行训练,其中可视层单元个数为14,隐含层单元个数为37,
关于状态的损失函数J1(v,h,θ)为:
其中,vi为影响道边空气污染物浓度的因素之一即可视层的第i个单元的状态,hj为vi的另一种表达即隐藏层的第j个单元的状态,θ={R,a,b},a、b分别为可视单元和隐含单元的偏差向量,ai表示可视层的第i个单元的偏差,bj表示隐含层的第j个单元的偏差,R是权重矩阵,Rij表示可视层的第i个单元与隐含层的第j个单元的连接权重,N、L分别为可视单元和隐含单元的数量,Σ为求和符号,J1(v,h,θ)为限制玻尔兹曼机关于状态v、h、θ的损失函数。
限制玻尔兹曼机参数的梯度求解方法如下:
其中,p(v;θ)是可视单元的概率,p(hj=1|v;θ)是隐含单元的条件概分布,logp(v,θ)为p(v;θ)的对数似然估计,log表示取对数操作,是求偏导符号,Σ为求和符号,ΔRij、Δai、Δbi分别是对数似然估计对权重参数、可视单元偏差、隐含单元偏差的偏导数,vi为影响道边空气污染物浓度的因素之一即可视层的第i个单元的状态,Rij表示可视层的第i个单元与隐含层的第j个单元的连接权重,ai表示可视层的第i个单元的偏差,bj表示隐含层的第j个单元的偏差,θ={R,a,b}。
3)初始化Elman网络。其中,用限制玻尔兹曼机中训练好的矩阵R初始化输入层权重W2,中间层权重W1和承接层权重W3用零矩阵初始化。
步骤3:采用梯度下降算法,对深度重构Elman模型进行训练,得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,以实时的路网信息、气象信息、交通信息因素作为模型的输入,模型输出为对应的实时道边空气污染物浓度。所述污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx,所述路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离;所述气象信息包括温度、湿度、天气、风速、风向;所述交通信息车种比例、车流量、通过时间、停止时间、拥塞时间。具体方法如下:
1)根据深度重构Elman模型的非线性状态空间表达式计算第p次迭代输出的道边空气污染物浓度y(p),
主网络输入层、中间层、承接层、输出层的单元个数分别为14、37、37、3,次网络可视层、隐含层的单元个数分别为14、37,其非线性状态空间表达式为:
y(p)=g(W1(p)H(p))
H(p)=f(W2(p)u+W3(p)Xc(p))
Xc(p)=αH(p-1)
其中,y(p)为第p次迭代输出的道边空气污染物浓度,H(p)为中间层第p次迭代输出,H(p-1)为中间层第p-1次迭代输出,Xc(p)为隐含层第p次迭代输出,p为迭代次数,g和f分别为激活函数purelin和sigmoid,α是承接层的自循环系数,W1(p)、W2(p)、W3(p)分别为深度重构Elman模型的中间层、输入层、承接层第p次迭代的权重参数,u为输入层输入即路网信息、气象信息、交通信息因素。
2)根据梯度下降算法计算道边空气污染物浓度损失函数J2(p),
若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数p值大于等于初始化中设置的最大迭代次数,则训练结束,进入步骤(5),否则进去步骤(3),
其中,J2(p)是道边空气污染物浓度损失函数,yd是道边空气污染物浓度期望输出,p是迭代次数,y(p)是第p次迭代输出的道边空气污染物浓度,T是转置符号。
3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数的偏导数,计算方法如下:
其中,J2(p)是道边空气污染物浓度损失函数,n表示输入层的第n个单元,l表示中间层的第l个单元,k表示隐含层的第k个单元,p是迭代次数,是求偏导符号,是道边空气污染物浓度损失函数关于的偏导数,η1、η2、η3分别是的学习率,分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数。
4)然后根据权重参数的偏导数对权重参数进行更新,更新规则如下:
W1(p+1)=W1(p)+ΔW1(p)
W2(p+1)=W2(p)+ΔW2(p)
W3(p+1)=W3(p)+ΔW3(p)
更新完毕后,返回步骤1)。
5)训练结束,模型的权重参数确定,此时的模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,将实时的路网信息、气象信息、交通信息因素输入到模型中,模型即可输出预测的实时道边空气污染物浓度结果。
本发明的优点在于:本发明考虑到目前道边空气污染物浓度实时预测的重要性和方法的重大局限性,不同于以往的简单预测方法,基于道边空气污染物浓度的诱发因素的多样性、以及历史数据相关性特征,基于重构深度学习的具有历史记忆能力的深度重构Elman模型,由于该模型具有深层特征映射和局部记忆能力,能够学习到道边空气污染物浓度与其受影响因素之间的本质特征映射,能够学习到路网信息(路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离)、气象信息(温度、湿度、天气、风速、风向)、交通信息(车种比例、车流量、通过时间、停止时间、拥塞时间)等因素与道边空气污染物浓度之间的本质特征映射,并且能够通过该模型实现对一氧化碳CO、二氧化碳CO2、氮氧化物NOx的更高精度得实时预测,且具有很好的迁移性。
附图说明
图1为本发明方法的流程示意图;
图2为深度重构Elman模型的结构示意图。
具体实施方式
如图1所示,本发明具体实现如下:
一、基于道边空气污染物浓度的诱发因素的多样性、以及历史数据相关性特征,结合限制波尔兹曼机和Elman网络的特点,构建具有前馈连接和反馈连接结构,含有局部记忆能力,主网络由输入层、承接层、中间层和输出层构成,用于主网络初始化的次网络含有一个可视层和一个隐含层,输入层、输出层、可视层单元个数分别为14、3、14的深度重构Elman模型。
如图2所示,图左边为次网络,图右边为主网络,N为次网络可视层可视单元数量,主网络输入层的单元个数与次网络可视单元数量相同,L为次网络隐含层隐含单元的数量、主网络中间层和承接层单元个数与次网络隐含层单元个数相同,M为主网络输出单元个数,u1,u2...uN表示主网络输入层的输入即路网信息、气象信息、交通信息因素,z-1代表时延,p为迭代次数,y(p)为第p次迭代主网络输出层的输出即道边空气污染物浓度,H(p)为主网络中间层第p次迭代输出,Xc(p)为隐含层第p次迭代输出,f为激活函数purelin,α是承接层的自循环系数,W1(p)、W2(p)、W3(p)分别为主网络的中间层、输入层、承接层第p次迭代的权重参数,R为次网络权重参数。
二、对建立的道路浓度数据集进行预处理
1)对道路浓度数据集中的数据进行归一化处理,以提高模型训练速度和精度,针对数据集中数据的特点,采用min-max标准化方法:
其中,x为道路浓度数据集中的数据,xmin为x的最小值,xmax为x的最大值,x'为对x归一化处理后的值。
2)为提高模型的泛化能力,将道路浓度数据集按照60%、20%、20%的比例划分为训练集、验证集、测试集。
三、对限制玻尔兹曼机训练,完成输入层权重W2的初始化
1)对限制玻尔兹曼机设置学习率和合适的重构误差阈值,学习速率在0.01-0.1之间取值,重构误差阈值在0.001-0.00001之间取值,用零矩阵对限制玻尔兹曼机的参数矩阵进行初始化。
2)利用训练集中的输入数据对限制玻尔兹曼机进行训练,根据下式求解参数ΔRij,ai,bj的梯度。
其中
这里,ΔRij、Δai、Δbi分别是对数似然估计对权重参数、可视单元偏差、隐含单元偏差的偏导数,是求偏导符号,log表示取对数操作,logp(v,θ)为p(v;θ)的对数似然估计,p(v;θ)是可视单元的概率,Rij表示可视层的第i个单元与隐含层的第j个单元的连接权重,ai表示可视层的第i个单元的偏差,bj表示隐含层的第j个单元的偏差,vi为影响道边空气污染物浓度的因素之一即可视层的第i个单元的状态,Σ为求和符号,p(hj=1|v;θ)是隐含单元的条件概分布,θ={R,a,b},exp表示以自然常数e为底的指数函数,v表示可视层单元,h表示隐藏层单元,N表示可视层单元数量。
3)利用下式对Rij(t)、ai(t)、bj(t)进行参数更新:
Rij(t)=Rij(t-1)+φΔRij
ai(t)=ai(t-1)+φΔai
bj(t)=bj(t-1)+φΔbj
其中,φ是限制玻尔兹曼机学习率,t是限制玻尔兹曼机迭代次数,Rij表示可视层的第i个单元与隐含层的第j个单元连接权重,ai表示可视层的第i个单元的偏差,bj表示隐含层的第j个单元的偏差。
4)根据下式计算重构误差:
e=([vi]d-[vi]m)T([vi]d-[vi]m)
其中,[vi]d是利用道边空气污染物浓度数据集部分输入初始化的值,[vi]m是通过限制玻耳兹曼机重构的vi,T是转置。
5)检查重构误差与设置的重构误差阈值之间的大小,若重构误差大于设置的阈值,则返回步骤2)继续,若重构误差小于设置的阈值,则限制玻耳兹曼机的训练结束,用Rij对Elman网络输入层权重W2进行初始化。
四、初始化Elman网络
1)设置合适的Elman网络的误差阈值、最大迭代次数Emax、承接层自循环系数α和学习速率η1,η2,η3,误差阈值在0.001-0.00001之间取值,最大迭代次数一般取1000,学习速率在0.01-0.1之间取值,自循环系数一般设置为0.001。
2)用零矩阵初始化Elman网络中间层权重W1和承接层权重W3,设置 用零向量初始化承接层Xc。
3)根据数据集的特点,将输入层和输出层单元个数分贝设置为14、3,中间层和承接成单元的个数是由实验确定的,根据实验误差不断调整中间层和承接层单元个数,找到性能最优的单元个数。
五、采用梯度下降法,结合数据集对Elman网络进行训练
1)根据下式计算输出y(p):
y(p)=g(W1(p)H(p))
H(p)=f(W2(p)u+W3(p)Xc(p))
Xc(p)=αH(p-1)
其中,y(p)为第p次迭代输出的道边空气污染物浓度,H(p)为中间层第p次迭代输出,H(p-1)为中间层第p-1次迭代输出,Xc(p)为隐含层第p次迭代输出,p为迭代次数,g和f分别为激活函数purelin和sigmoid,α是承接层的自循环系数,W1(p)、W2(p)、W3(p)分别为深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层的第p次迭代的权重参数,u为输入层输入即路网信息、气象信息、交通信息因素。
2)根据下式计算目标损失函数:
其中,J2(p)是道边空气污染物浓度损失函数,yd是道边空气污染物浓度期望输出,p是迭代次数,y(p)是第p次迭代输出的道边空气污染物浓度,T是转置符号。
若目标损失函数的值小于设置的误差阈值或者p值大于等于设置的最大迭代次数,则跳过步骤3)直接到步骤4),若目标损失函数的值大于设置的误差阈值,则进入步骤3)。
3)根据下式计算权重的偏导数:
其中,J2(p)是道边空气污染物浓度损失函数,n表示输入层的第n个单元,l表示中间层的第l个单元,k表示隐含层的第k个单元,p是迭代次数,是求偏导符号,是道边空气污染物浓度损失函数关于的偏导数,η1、η2、η3分别是的学习率,分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数。
然后,根据权重的偏导数对权重系数进行更新:
W1(p+1)=W1(p)+ΔW1(p)
W2(p+1)=W2(p)+ΔW2(p)
W3(p+1)=W3(p)+ΔW3(p)
更新完毕后,返回步骤1)。
4)训练结束,模型的权重参数确定,此时的模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,将实时的路网信息、气象信息、交通信息因素输入到模型中,模型即可输出预测的实时道边空气污染物浓度结果。
六、对训练得到的深度重构Elman模型进行分析和对比
经分析和对比,相比于其他已有的方法,用深度重构Elman模型可以更好地对道边污染物浓度进行实时预测,且具有很好的迁移性。
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 (1)
1.一种基于重构深度学习的道边空气污染物浓度预测方法,其特征在于步骤如下:
步骤1:基于重构深度学习方法,根据道边空气污染物的时空分布特点,形成道路空气污染物浓度数据集,构建深度重构Elman模型;所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx;所述道边空气污染物浓度数据集包括:路网信息、气象信息、交通信息因素、道边空气污染物浓度;路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离;气象信息包括温度、湿度、天气、风速、风向;交通信息车种比例、车流量、通过时间、停止时间、拥塞时间;所述深度重构Elman模型包括:主网络和次网络;主网络具有前馈连接和反馈连接结构,含有局部记忆能力,主网络依次由输入层、承接层、中间层和输出层构成,每一层的单元个数分别为14、37、37、3;次网络用于主网络初始化,次网络含有一个可视层和一个隐含层,每一层的单元个数分别为14、37;其中次网络用于主网络的初始化;
步骤2:根据限制玻耳兹曼机的特征,从道边空气污染物浓度数据集中随机选取部分数据,完成深度重构Elman模型的初始化,具体实现如下:
2.1)对道路空气污染物浓度数据集中的数据进行归一化处理,并将数据集按照60%、20%、20%的比例划分为训练集、验证集、测试集;
2.2)对限制玻尔兹曼机设置重构误差阈值,利用训练集中的输入数据对限制玻尔兹曼机进行训练,其中可视层单元个数为14,隐含层单元个数为37,关于状态的损失函数J1(v,h,θ)为:
<mrow>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>h</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>L</mi>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>N</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>L</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
</mrow>
其中,vi为影响道边空气污染物浓度的因素之一,hj为训练过程中对应输入vi网络的输出即隐含层的第j个单元的状态,θ={R,a,b},a、b分别为可视单元和隐含单元的偏差向量,R是权重矩阵,N、L分别为可视单元和隐含单元的数量;
限制玻尔兹曼机参数的梯度求解方法如下:
<mrow>
<msub>
<mi>&Delta;R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>mod</mi>
<mi>e</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Delta;a</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>v</mi>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&Delta;b</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>v</mi>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>v</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,p(v;θ)是可视单元的概率,p(hj=1|v;θ)是隐含单元的条件概分布;
2.3)初始化Elman模型,其中用限制玻尔兹曼机中训练好的矩阵R初始化输入层权重W2,中间层权重W1和承接层权重W3用零矩阵初始化;
步骤3:采用梯度下降算法,对深度重构Elman模型进行训练,得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入,Elman模型输出为对应的实时道边空气污染物浓度,具体实现如下:
3.1)根据深度重构Elman模型的非线性状态空间表达式计算第p次迭代输出的道边空气污染物浓度y(p);
3.2)根据梯度下降算法计算道边空气污染物浓度损失函数J2(p),若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数p值大于等于初始化中设置的最大迭代次数,则训练结束,进入步骤3.5),否则进去步骤3.3);
3.3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数的偏导数计算方法如下:
<mrow>
<msubsup>
<mi>&Delta;W</mi>
<mrow>
<mi>l</mi>
<mi>m</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>l</mi>
<mi>m</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;W</mi>
<mrow>
<mi>n</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>n</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;W</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
<mn>3</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>&eta;</mi>
<mn>3</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
<mn>3</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,J2(p)是道边空气污染物浓度损失函数,n表示输入层的第n个单元,l表示中间层的第l个单元,k表示隐含层的第k个单元,p是迭代次数,是求偏导符号, 是道边空气污染物浓度损失函数关于的偏导数,η1、η2、η3分别是的学习率,分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数;
3.4)然后根据权重参数的偏导数对权重参数进行更新,更新规则如下:
W1(p+1)=W1(p)+ΔW1(p)
W2(p+1)=W2(p)+ΔW2(p)
W3(p+1)=W3(p)+ΔW3(p)
更新完毕后,返回步骤3.1);
3.5)训练结束,模型的权重参数确定,所得模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,将实时的路网信息、气象信息、交通信息因素输入到模型中,通过模型即可输出预测的实时道边空气污染物浓度结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267909.9A CN106611090B (zh) | 2016-12-31 | 2016-12-31 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267909.9A CN106611090B (zh) | 2016-12-31 | 2016-12-31 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106611090A CN106611090A (zh) | 2017-05-03 |
CN106611090B true CN106611090B (zh) | 2018-04-10 |
Family
ID=58636800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611267909.9A Active CN106611090B (zh) | 2016-12-31 | 2016-12-31 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611090B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229914B (zh) * | 2017-05-26 | 2020-07-03 | 北京工业大学 | 一种基于深度q学习策略的手写数字识别方法 |
CN108133295B (zh) * | 2018-01-11 | 2020-07-07 | 安徽优思天成智能科技有限公司 | 一种针对目标路段的机动车尾气浓度连续时间预测方法 |
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 |
CN109242166B (zh) * | 2018-08-25 | 2021-05-04 | 臻儒(天津)科技有限公司 | 一种基于多尺度深度神经网络的环境预测防控系统 |
CN109213840B (zh) * | 2018-09-12 | 2023-05-30 | 北京英视睿达科技股份有限公司 | 基于多维特征深度学习的热点网格识别方法 |
CN109284706B (zh) * | 2018-09-12 | 2023-12-01 | 国际商业机器(中国)投资有限公司 | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 |
CN109492822B (zh) * | 2018-11-24 | 2021-08-03 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN109615082B (zh) * | 2018-11-26 | 2023-05-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
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 |
CN112202630A (zh) * | 2020-09-16 | 2021-01-08 | 中盈优创资讯科技有限公司 | 一种基于无监督模型的网路质量异常检测方法及装置 |
CN113094986B (zh) * | 2021-04-01 | 2022-01-18 | 瀚蓝绿电固废处理(佛山)有限公司 | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 |
CN114324780B (zh) * | 2022-03-03 | 2022-08-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN116381719B (zh) * | 2023-01-13 | 2023-08-29 | 中国科学技术大学 | 一种基于激光雷达的污染区域增强识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021900A (zh) * | 2007-03-15 | 2007-08-22 | 上海交通大学 | 利用降维方法进行人脸姿态估计的方法 |
CN105184012A (zh) * | 2015-09-28 | 2015-12-23 | 宁波大学 | 一种区域空气pm2.5浓度预测方法 |
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 CN201611267909.9A patent/CN106611090B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021900A (zh) * | 2007-03-15 | 2007-08-22 | 上海交通大学 | 利用降维方法进行人脸姿态估计的方法 |
CN105184012A (zh) * | 2015-09-28 | 2015-12-23 | 宁波大学 | 一种区域空气pm2.5浓度预测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106611090A (zh) | 2017-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111832814B (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
CN106599520B (zh) | 一种基于lstm-rnn模型的空气污染物浓度预报方法 | |
CN108108836B (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 | |
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 | |
CN106056210B (zh) | 一种基于混合神经网络的pm2.5浓度值预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
Qiu et al. | Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization | |
US20230375745A1 (en) | High-temperature disaster forecast method based on directed graph neural network | |
CN107884475A (zh) | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN105096614A (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN105866330A (zh) | 一种基于ISCST-3模型反算工业面源VOCs排放源强方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN114266384A (zh) | 一种基于融合模型的快速预测台风路径的方法及其装置 | |
CN112580859A (zh) | 一种基于全局注意力机制的雾霾预测方法 | |
Wang et al. | Pm2. 5 prediction based on neural network | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN108364098B (zh) | 一种天气特征对用户签到影响的度量方法 |
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 |