CN108426812A - 一种基于记忆神经网络的pm2.5浓度值预测方法 - Google Patents
一种基于记忆神经网络的pm2.5浓度值预测方法 Download PDFInfo
- Publication number
- CN108426812A CN108426812A CN201810304696.5A CN201810304696A CN108426812A CN 108426812 A CN108426812 A CN 108426812A CN 201810304696 A CN201810304696 A CN 201810304696A CN 108426812 A CN108426812 A CN 108426812A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- memory neural
- output
- input
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 8
- 231100000719 pollutant Toxicity 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 27
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003134 recirculating effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035611 feeding Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
一种基于记忆神经网络的PM2.5浓度值预测方法，所述方法包括如下步骤：步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、污染物指标(比如AQI、PM10、NO2、CO、SO2、O3)历史数据和气象历史数据；步骤2、采用无监督训练方法预处理各项原始数据生成初始优化参数；步骤3、采用记忆神经网络预测PM2.5浓度值。本发明提供一种准确描述PM2.5浓度值的长期变化规律、提高预测精度的基于记忆神经网络的PM2.5浓度值预测方法。
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，尤其涉及一种基于记忆神经网络的PM2.5浓度值预测方法。
背景技术
PM2.5是指大气中直径小于或等于2.5微米的颗粒物，富含大量的有毒、有害物质且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大，PM2.5超标还带来了另外一个影响——灰霾天气。空气污染如今已经成为人们关注的焦点，而在空气污染指标中，PM2.5浓度值已经成为衡量空气质量的标志性检测指标。现如今，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，张怡文等人在论文《基于神经网络的PM2.5预测模型》中，通过选择神经网络方法进行PM2.5的浓度值预测。乔俊飞等人在论文《基于BP人工神经网络的城市PM2.5浓度空间预测》中，提出了基于T-S模糊神经网络模型进行预测PMA2.5的浓度值。王敏等人在论文《基于改进型PSO的模糊神经网络PM2.5浓度预测》中，采用BP人工神经网络模型预测PM2.5的浓度值。裴雨潇等人在论文《基于小波和过程神经网络的PM2.5预测模型》中，提出基于小波和过程神经网络的预测模型实现了PM2.5浓度值的预测。付彦丽在论文《基于神经网络的PM2.5质量浓度预测研究》中，使用遗传算法优化的神经网络对PM2.5质量浓度进行预测。李祥等人在论文《基于小波分解和ARMA模型的空气污染预报研究》中，利用小波多尺度分析方法改进ARMA预测模型,并将其应用于短时PM2.5浓度预测。苏盈盈等人在专利《基于无迹卡尔曼神经网络的PM2.5浓度预测方法》中，提供了一种基于无迹卡尔曼神经网络的PM2.5浓度预测方法。
经文献调研分析，目前已提出的PM2.5浓度值预测方法均以神经网络为核心架构，对PM2.5浓度值以及其他相关指标(比如AQI、PM10、NO2、CO、SO2、O3)进行非线性回归分析。神经网络模型包含ANN，DNN，FNN和BPNN等，以及结合遗传算法、随机森林等优化算法优化后的混合方法。但是，经文献调研，现有PM2.5浓度值预测方法中对当下的输入和输出都是无差别激活，而无法对输入、输出进行自我有效的判断、学习和选择。在对PM2.5浓度值数据进行训练时，每一时刻输入的数据对权值调整以及误差的影响都是至关重要的，如果有效的调整不能被记忆，错误的激活不能被筛选，那么所设计的PM2.5浓度值预测系统将极大的失去预测精度，并会极大地提高训练难度。
发明内容
为了克服已有PM2.5浓度值预测方式无法记忆并筛选PM2.5浓度值预测训练中依赖关系的不足，本发明在对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进行非线性相关分析之外，还引入无监督初始优化参数生成方法对原始数据进行预处理，并结合可以记忆并筛选训练依赖关系的记忆神经网络，将每个存储单元与一个输入门，一个输出门和一个跨越时间步骤无干扰送入自身的内部状态相关联，提供一种准确描述PM2.5浓度值的长期变化规律、提高预测精度的基于记忆神经网络的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：
一种基于记忆神经网络的PM2.5浓度值预测方法，所述方法包括如下步骤：
步骤1、原始数据采集，原始数据包括PM2.5浓度值历史数据、污染物指标(比如AQI、PM10、NO2、CO、SO2、O3)历史数据和气象历史数据；
步骤2、采用无监督训练方法预处理各项原始数据生成初始优化参数，过程如下：
步骤2.1、定义vm为第m个可视单元的状态，hn表示第n个隐藏单元的状态，定义在状态上的能量函数为：
其中，wmn表示连接权值，bm、bn表示偏置；
步骤2.2、根据可视单元和隐藏单元的任意配置，定义一个能量函数：
其中，θ＝{w,b,c}是模型的参数；
步骤2.3、通过能量函数在{v,h}上定义概率分布：
其中，exp-E(v,h)是系统处于状态{v,h}的相对概率，Z(θ)是系统的归一化常数；
步骤2.4、选择数据的对数似然函数作为目标函数：
步骤2.4、用梯度下降的方法调整模型参数，得到记忆神经网络的初始优化参数：
其中，ε是学习率，q是一个训练向量；
步骤3、采用记忆神经网络预测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。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，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤3.2、分别设定输入门限、遗忘门限和输出门限，以及当前单元的输出函数：
i(t)＝σ(Wi·[h(t-1),x(t)]+bi) ⑻
f(t)＝σ(Wf·[h(t-1),x(t)]+bf) ⑼
o(t)＝σ(Wo·[h(t-1),x(t)]+bo) ⑽
其中，x(t)代表t时刻训练样本的输入；h(t)代表t时刻当前单元的输出；i(t)代表t时刻的输入门限；f(t)代表t时刻的遗忘门限；o(t)代表t时刻的输出门限；W和b分别是模型的连接权值和偏置；
步骤3.3、设定单元的状态函数和输出函数：
h(t)＝o(t)*tanh(C(t)) ⑾
表示前一时刻单元状态，C(t)表示单元状态，h(t)表示当前单元的输出，h(t-1)表示前一时刻单元的输出；
步骤3.4、设定网络的期望误差最小值、最大迭代次数和学习率；
步骤3.5、将所述预处理后的初始优化参数和原始数据输入到已创建的循环神经网络，并且训练记忆神经网络，计算损失函数：
步骤3.6、根据误差调整循环神经网络的各层权值，首先定义：
输入门、输出门和遗忘门的误差反向传播如下：
控制门的激活函数用l表示，g，h分别表示单元的输入输出激活函数；
步骤3.7、判断循环网络是否收敛，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，所述记忆神经网络训练完成；
步骤3.8、将待测数据输入到所述训练完成的记忆神经网络中，输出PM2.5浓度值的最终预测值。
进一步，所述步骤2中，使用了无监督参数训练方法对原始数据进行预处理，得到记忆神经网络的初始优化参数。
再进一步，所述步骤3中，通过记忆神经网络在每一个单元中放置输入门、遗忘门和输出门，根据规则对进入网络的信息进行判断是否有用：符合门限的信息会被保留，不符的信息则通过遗忘门被遗忘。
更进一步，所述步骤1中，所述污染物指标历史数据包括AQI、PM10、NO2、CO、SO2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、降水量。
本发明的技术构思为：在对PM2.5浓度值历史数据、污染物指标(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)数据时序分析预处理之后，重点引入了基于时间序列的记忆神经网络来进行PM2.5浓度值的预测。进一步，利用预处理后的初始优化参数，将原始数据通过反向误差传播算法在循环神经网络中训练，进而预测PM2.5浓度值。
本发明的有益效果主要表现在：能够准确地处理以序列输入的训练样本，模拟PM2.5浓度值在时间上的变化规律，并分析其与其他相关指标间的关系，且对各步训练调整进行筛选记忆，有效地提高当前PM2.5浓度值的预测精度与训练速度，实现时间序列上的精准预测。
附图说明
图1是一种基于记忆神经网络的PM2.5浓度值预测方法示意图。
图2是无监督参数训练的数据预处理流程图。
图3是记忆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3，一种基于记忆神经网络的PM2.5浓度值预测方法，所述方法包括如下步骤：
步骤1、原始数据采集。原始数据包括PM2.5浓度值历史数据、污染物指标历史数据和气象历史数据。进一步，所述污染物指标历史数据包括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)和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、风速和降水量。
本发明采集杭州市的历史样本数据。杭州市2017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2017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。
步骤2、采用无监督训练方法预处理各项原始数据生成初始优化参数，过程如下：
步骤2.1、定义vm为第m个可视单元的状态，hn表示第n个隐藏单元的状态，定义在状态上的能量函数为：
其中，wmn表示连接权值，bm、bn表示偏置。
步骤2.2、根据可视单元和隐藏单元的任意配置，我们可以定义一个能量函数：
其中，θ＝{w,b,c}是模型的参数。
步骤2.3、通过能量函数在{v,h}上定义概率分布：
其中，exp-E(v,h)是系统处于状态{v,h}的相对概率，Z(θ)是系统的归一化常数。
步骤2.4、选择数据的对数似然函数作为目标函数：
步骤2.4、用梯度下降的方法调整模型参数，得到记忆神经网络的初始优化参数：
其中，ε是学习率，q是一个训练向量。
步骤3、采用记忆神经网络预测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。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，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数。
步骤3.2、分别设定输入门限、遗忘门限和输出门限，以及当前单元的输出函数：
i(t)＝σ(Wi·[h(t-1),x(t)]+bi) ⑻
f(t)＝σ(Wf·[h(t-1),x(t)]+bf) ⑼
o(t)＝σ(Wo·[h(t-1),x(t)]+bo) ⑽
其中，x(t)代表t时刻训练样本的输入；h(t)代表t时刻当前单元的输出；i(t)代表t时刻的输入门限；f(t)代表t时刻的遗忘门限；o(t)代表t时刻的输出门限；W和b分别是模型的连接权值和偏置。
步骤3.3、设定单元的状态函数和输出函数：
h(t)＝o(t)*tanh(C(t))⑾
表示前一时刻单元状态，C(t)表示单元状态，h(t)表示当前单元的输出，h(t-1)表示前一时刻单元的输出。
步骤3.4、设定网络的期望误差最小值、最大迭代次数和学习率。
步骤3.5、将所述预处理后的初始优化参数与原始数据输入到已创建的循环神经网络，并且训练记忆神经网络，计算损失函数：
步骤3.6、根据误差调整循环神经网络的各层权值。首先定义：
输入门、输出门和遗忘门的误差反向传播如下：
控制门的激活函数用l表示，g，h分别表示单元的输入输出激活函数。
步骤3.7、判断循环网络是否收敛，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，所述记忆神经网络训练完成。
步骤3.8、将待测数据输入到所述训练完成的记忆神经网络中，输出PM2.5浓度值的最终预测值。
Claims (4)
1.一种基于记忆神经网络的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、原始数据采集，原始数据包括PM2.5浓度值历史数据、污染物指标历史数据和气象历史数据；
步骤2、采用无监督训练方法预处理各项原始数据生成初始优化参数，过程如下：
步骤2.1、定义vm为第m个可视单元的状态，hn表示第n个隐藏单元的状态，定义在状态上的能量函数为：
其中，wmn表示连接权值，bm、bn表示偏置；
步骤2.2、根据可视单元和隐藏单元的任意配置，定义一个能量函数：
其中，θ＝{w,b,c}是模型的参数；
步骤2.3、通过能量函数在{v,h}上定义概率分布：
其中，exp-E(v,h)是系统处于状态{v,h}的相对概率，Z(θ)是系统的归一化常数；
步骤2.4、选择数据的对数似然函数作为目标函数：
步骤2.4、用梯度下降的方法调整模型参数，得到记忆神经网络的初始优化参数：
其中，ε是学习率，q是一个训练向量；
步骤3、采用记忆神经网络预测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；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，a和b分别为输入层和输出层的神经元个数，c是[0,10]之间的常数；
步骤3.2、分别设定输入门限、遗忘门限和输出门限，以及当前单元的输出函数：
i(t)＝σ(Wi·[h(t-1),x(t)]+bi) ⑻
f(t)＝σ(Wf·[h(t-1),x(t)]+bf) ⑼
o(t)＝σ(Wo·[h(t-1),x(t)]+bo) ⑽
其中，x(t)代表t时刻训练样本的输入；h(t)代表t时刻当前单元的输出；i(t)代表t时刻的输入门限；f(t)代表t时刻的遗忘门限；o(t)代表t时刻的输出门限；W和b分别是模型的连接权值和偏置；
步骤3.3、设定单元的状态函数和输出函数：
h(t)＝o(t)*tanh(C(t)) ⑾
表示前一时刻单元状态，C(t)表示单元状态，h(t)表示当前单元的输出，h(t-1)表示前一时刻单元的输出；
步骤3.4、设定网络的期望误差最小值、最大迭代次数和学习率；
步骤3.5、将所述预处理后的初始优化参数和原始数据输入到已创建的循环神经网络，并且训练记忆神经网络，计算损失函数：
步骤3.6、根据误差调整循环神经网络的各层权值，首先定义：
输入门、输出门和遗忘门的误差反向传播如下：
控制门的激活函数用l表示，g，h分别表示单元的输入输出激活函数；
步骤3.7、判断循环网络是否收敛，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，所述记忆神经网络训练完成；
步骤3.8、将待测数据输入到所述训练完成的记忆神经网络中，输出PM2.5浓度值的最终预测值。
2.如权利要求1所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤2中，使用了无监督参数训练方法对原始数据进行预处理，得到记忆神经网络的初始优化参数。
3.如权利要求1或2所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤3中，通过记忆神经网络在每一个单元中放置输入门、遗忘门和输出门，根据规则对进入网络的信息进行判断是否有用：符合门限的信息会被保留，不符的信息则通过遗忘门被遗忘。
4.如权利要求1或2所述的一种基于记忆神经网络的PM2.5浓度值预测方法，其特征在于，所述步骤1中，所述污染物指标历史数据包括AQI、PM10、NO2、CO、SO2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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810304696.5A CN108426812B (zh) | 2018-04-08 | 2018-04-08 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810304696.5A CN108426812B (zh) | 2018-04-08 | 2018-04-08 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108426812A true CN108426812A (zh) | 2018-08-21 |
| CN108426812B CN108426812B (zh) | 2020-07-31 |
Family
ID=63160412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810304696.5A Active CN108426812B (zh) | 2018-04-08 | 2018-04-08 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108426812B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
| 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 |
| 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 |
| 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 |
| CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警系统 |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN110568127A (zh) * | 2019-09-09 | 2019-12-13 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
| CN110619384A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种基于神经网络的pm2.5浓度值预测方法 |
| CN110766222A (zh) * | 2019-10-22 | 2020-02-07 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| CN110782093A (zh) * | 2019-10-26 | 2020-02-11 | 福州大学 | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统 |
| CN110807577A (zh) * | 2019-10-15 | 2020-02-18 | 中国石油天然气集团有限公司 | 污染排放预测方法及装置 |
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
| CN112782050A (zh) * | 2020-12-25 | 2021-05-11 | 杭州电子科技大学 | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 |
| CN113011080A (zh) * | 2020-12-22 | 2021-06-22 | 浙江农林大学 | 一种负氧离子浓度反演方法 |
| CN113970511A (zh) * | 2021-10-21 | 2022-01-25 | 天津大学 | 一种基于bp神经网络的空气颗粒物数据监测系统及方法 |
| CN116205317A (zh) * | 2021-12-06 | 2023-06-02 | 中国环境科学研究院 | 一种基于神经网络的城市空气质量预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0388806A2 (de) * | 1989-03-21 | 1990-09-26 | Bodenseewerk Gerätetechnik GmbH | Parallelrechnerstruktur zum Modellieren und Trainieren künstlicher Neuronaler Netze |
| CN104792674A (zh) * | 2015-04-01 | 2015-07-22 | 东南大学 | 一种颗粒浓度测量方法 |
| 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 |
| CN106503461A (zh) * | 2016-10-26 | 2017-03-15 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
| CN107844870A (zh) * | 2017-12-07 | 2018-03-27 | 中国科学院合肥物质科学研究院 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
-
2018
- 2018-04-08 CN CN201810304696.5A patent/CN108426812B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0388806A2 (de) * | 1989-03-21 | 1990-09-26 | Bodenseewerk Gerätetechnik GmbH | Parallelrechnerstruktur zum Modellieren und Trainieren künstlicher Neuronaler Netze |
| CN104792674A (zh) * | 2015-04-01 | 2015-07-22 | 东南大学 | 一种颗粒浓度测量方法 |
| 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 |
| CN106503461A (zh) * | 2016-10-26 | 2017-03-15 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
| CN107844870A (zh) * | 2017-12-07 | 2018-03-27 | 中国科学院合肥物质科学研究院 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王敏 等: "基于BP人工神经网络的城市PM2.5浓度空间预测", 《环境污染与防治》 * |
| 裴雨潇 等: "基于小波和过程神经网络的PM2.5预测模型", 《环境科技》 * |
| 马天成 等: "基于改进型PSO的模糊神经网络PM2.5浓度预测", 《计算机工程与设计》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109298136B (zh) * | 2018-10-11 | 2019-10-15 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
| CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
| CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警系统 |
| 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 |
| 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 |
| CN110619384A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种基于神经网络的pm2.5浓度值预测方法 |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN110568127A (zh) * | 2019-09-09 | 2019-12-13 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
| CN110568127B (zh) * | 2019-09-09 | 2021-07-30 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
| CN110807577A (zh) * | 2019-10-15 | 2020-02-18 | 中国石油天然气集团有限公司 | 污染排放预测方法及装置 |
| CN110766222A (zh) * | 2019-10-22 | 2020-02-07 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| CN110766222B (zh) * | 2019-10-22 | 2023-09-19 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| CN110782093A (zh) * | 2019-10-26 | 2020-02-11 | 福州大学 | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统 |
| CN110782093B (zh) * | 2019-10-26 | 2022-05-27 | 福州大学 | 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 |
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
| CN112649337B (zh) * | 2020-12-21 | 2022-06-03 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
| CN113011080A (zh) * | 2020-12-22 | 2021-06-22 | 浙江农林大学 | 一种负氧离子浓度反演方法 |
| CN113011080B (zh) * | 2020-12-22 | 2024-04-19 | 浙江农林大学 | 一种负氧离子浓度反演方法 |
| CN112782050A (zh) * | 2020-12-25 | 2021-05-11 | 杭州电子科技大学 | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 |
| CN113970511A (zh) * | 2021-10-21 | 2022-01-25 | 天津大学 | 一种基于bp神经网络的空气颗粒物数据监测系统及方法 |
| CN116205317A (zh) * | 2021-12-06 | 2023-06-02 | 中国环境科学研究院 | 一种基于神经网络的城市空气质量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108426812B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108426812A (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
| CN106056210B (zh) | 一种基于混合神经网络的pm2.5浓度值预测方法 | |
| CN108268935A (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 | |
| CN107688871B (zh) | 一种水质预测方法和装置 | |
| 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 | |
| Vlahogianni et al. | Spatio‐temporal short‐term urban traffic volume forecasting using genetically optimized modular networks | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
| Xing et al. | PM2. 5 concentration modeling and prediction by using temperature-based deep belief network | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Cacciola et al. | Aspects about air pollution prediction on urban environment | |
| Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
| CN110619384A (zh) | 一种基于神经网络的pm2.5浓度值预测方法 | |
| Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
| Yang et al. | Air quality index prediction using a new hybrid model considering multiple influencing factors: A case study in China | |
| CN109376903A (zh) | 一种基于博弈神经网络的pm2.5浓度值预测方法 | |
| Hamdan et al. | Prediction of Hourly Solar Radiation in Amman-Jordan by Using Artificial Neural Networks | |
| Yan et al. | Two-phase neural network model for pollution concentrations forecasting | |
| Videnova et al. | Neural networks for air pollution nowcasting | |
| Chen | Analyzing and forecasting the global CO2 concentration-a collaborative fuzzy-neural agent network approach | |
| Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
| Gültepe et al. | Daily SO2 air pollution prediction with the use of artificial neural network models | |
| Mlakar et al. | Short-term air pollution prediction on the basis of artificial neural networks | |
| Djarum et al. | Performance Analysis of Neural Network Architecture in Developing Real-Time Malaysian River Water Quality Model | |
| Masinde et al. | Training recurrent neural networks for particulate matter concentration prediction |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180821 Assignee: Wuzhou Tongxin Energy Materials Co.,Ltd. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980054078 Denomination of invention: A Method for Predicting PM2.5 Concentration Values Based on Memory Neural Networks Granted publication date: 20200731 License type: Common License Record date: 20231226 |
|
| EE01 | Entry into force of recordation of patent licensing contract |