CN108537336A - 一种基于深度神经网络的空气质量预测方法 - Google Patents
一种基于深度神经网络的空气质量预测方法 Download PDFInfo
- Publication number
- CN108537336A CN108537336A CN201810254528.XA CN201810254528A CN108537336A CN 108537336 A CN108537336 A CN 108537336A CN 201810254528 A CN201810254528 A CN 201810254528A CN 108537336 A CN108537336 A CN 108537336A
- Authority
- CN
- China
- Prior art keywords
- concentration
- data
- neural network
- deep neural
- time point
- 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 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 28
- 231100000719 pollutant Toxicity 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 239000000356 contaminant Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000809 air pollutant Substances 0.000 abstract description 3
- 231100001243 air pollutant Toxicity 0.000 abstract description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 14
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 7
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- 241000790917 Dioxys <bee> Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 229960004424 carbon dioxide Drugs 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于深度神经网络的空气质量预测方法，包括步骤：S1：对不同地点采集各时间点下的各个空气污染物的浓度；S2：将各个污染物浓度排序，获取浓度向量；S3：将不同地点在同一时间点的浓度向量作为一个数据组，将一个时间序列中所有数据组作为一个数据集合；S4：从多个数据集合中选出包含所有污染物浓度值的已知集合，找出待测集合中缺失的污染物浓度的数据组，确定其对应的时间点；S5：从已知集合中挑选出与时间点对应的数据组作为输入数据，将其余数据组作为输出数据，获取输入向量；S6：构建深度神经网络模型，将待测集合中其他数据组作为输入值，输入模型获取输出值作为预测值。与现有技术相比，本发明具有提高预测精度等优点。
Description
技术领域
本发明涉及空气质量预测技术领域，尤其是涉及一种基于深度神经网络的空气质量预测方法。
背景技术
由于全球社会经济和工业化过程的发展，以及世界城市化飞速发展，能源、交通规模的扩大，城市人口的膨胀，大型工业开发区的建立等为大气环境带来了前所未有的巨大压力。以颗粒物、二氧化硫、氮氧化物等为主要污染物的大气环境污染问题日趋严重，对资源、环境的巨大冲击威胁着可持续发展的基础。我国是发展中国家，能源结构不尽合理，使城市大气污染不断加重。因此，如何防治大气污染，减轻大气污染的危害与影响，成为当今重大而紧迫的研究课题。在这种形势下，开展空气质量预测的研究具有重要意义。开展空气质量预测不仅可以更好地了解空气污染变化趋势，掌握及时、准确、全面的空气质量信息，而且对城市环境管理、污染控制、环境规划、城市建设及公共卫生事业均有重要的实际应用价值。
空气质量的时空分布受到气象场、排放源、复杂下垫面、理化过程的耦合等多种因素的影响，具有较强的非线性特性。以往在空气质量预测领域中常用的统计预测方法，虽然建立简单，业务运行方便、易普及，但缺乏坚实的物理基础，需要大量的监测资料；数值预测虽然物理基础坚实，预测结果全面，但模式所需要的边界、初始条件不易给出，难度大，计算时间长，预测结果精度不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度神经网络的空气质量预测方法。
本发明的目的可以通过以下技术方案来实现：
本发明方法基于深度神经网络，并采用DNN(Deep Neural Network，DNN)结构进行空气质量的预测，其原理为：深度神经网络为深度学习的一个重要分支，其包括很多隐藏层，具有较强的学习和预测能力。采用不同时间点的空气污染物浓度来衡量空气质量，同时也作为输入数据和输出数据，通过训练学习已知的污染物浓度数据获得DNN的输入向量，从而建立所需的DNN模型，然后可利用该DNN预测未知的其他时刻的污染物浓度数据。
一种基于深度神经网络的空气质量预测方法，包括下列步骤：
S1：确定时间序列和等间隔时间点，对不同地点采集各等间隔时间点下的各个空气污染物的浓度；
S2：将采集的各个污染物浓度排序，获取不同地点在不同时间点的浓度向量，各个浓度向量中浓度种类的排序一致；
S3：将不同地点在同一时间点的浓度向量作为一个数据组，将一个时间序列中所有数据组作为一个数据集合；
S4：从多个数据集合中选出一个包含所有污染物的浓度值的已知集合，找出待测集合中缺失的污染物浓度的数据组，确定其所对应的时间点；
S5：从已知集合中挑选出与时间点对应的数据组作为输入数据，将已知集合中其余数据组作为输出数据，获取输入向量作为隐层；
S6：根据输入向量构建深度神经网络模型，将待测集合中其他数据组作为输入值，通过深度神经网络模型获取输出值，进而完成待测集合中缺失浓度的预测。
优选地，所述的深度神经网络模型采用DNN模型，该DNN模型为L+2层结构，其中第0层为模型输入层，第1到第l层为隐层，第l+1层为模型结构特征的输出层，相邻层之间通过前馈权值矩阵连接。
优选地，所述的步骤S2中，不同地点在不同时间点的浓度向量Vecab的表达式为：
Vecab＝{Cab(A)，Cab(B)，Cab(C)，Cab(D)，Cab(E)…}
式中，a为时间点编号，b为地点编号；Cab(A)，Cab(B)，Cab(C)，Cab(D)，Cab(E)分别为不同污染物种类的浓度值。
优选地，所述的步骤S3中，数据组的表达式为：
Xa＝{Veca1，Veca2，Veca3，…，VecaN}
式中，N为地点的总数。
优选地，所述的步骤S3中，数据集合的表达式为：
Datap＝{X1，X2，X3，…，XM}
式中，p为集合编号，M为时间点的总数。
与现有技术相比，本发明采用深度神经网络对未知污染物浓度进行预测，利用已知的各个时间点的数据组建立深度神经网络模型，通过建立的深度神经网络预测未知时间点的数据，进而获取未知浓度的预测值，DNN具有较强的学习和预测事物能力，能够获取精度更高的预测结果；同时，本发明在建模过程中，将某一时间序列的大气污染物浓度预测按照周期变化规律分类预测，可有效提高预测质量。
附图说明
图1为DNN模型的原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明涉及一种基于深度神经网络的空气质量预测方法，该方法包括以下步骤：
步骤一、确定时间序列和等间隔时间点，对不同地点采集等间隔时间点下的各个空气污染物的浓度；；
步骤二、将采集的各个污染物浓度排序，获取不同地点在不同时间点的浓度向量，各个浓度向量中浓度种类的排序一致；
步骤三、将不同地点在同一时间点的浓度向量作为一个数据组，将一个时间序列中所有数据组作为一个集合；
步骤四、从多个集合中选出一个包含所有污染物的浓度值的已知集合，并判断待测集合中缺失浓度数据组所对应的时间点；
步骤五、从已知集合中挑选出与时间点对应的数据组作为输入数据，将已知集合中其余数据组作为输出数据，根据DNN结构原理，获取输入向量作为隐层；
步骤六、根据输入向量构建深度神经网络模型，将待测集合中其他数据组作为输入值，通过深度神经网络模型获取输出值，进而完成待测集合中缺失浓度的预测。
污染物(如二氧化氮、二氧化硫、臭氧、一氧化碳、悬浮微粒等)浓度是衡量空气质量的主要评价标准。本实施例的污染物浓度以二氧化氮、二氧化硫、臭氧、一氧化碳、悬浮微粒五个种类为例对本发明方法进行说明。
假设为DNN模型共设计L+2层，其中第0层为模式的输入层，第1到第l层为隐层，相邻层之间通过前馈权值矩阵连接。第l+1层为模式结构特征的输出层。该DNN模型的总体框架结构如图1所示。采用{X1，X2，…，Xm}表示m种输入结果，{Y1，Y2，…，Yn}表示有n种输出结果，{hij，i＝1，2，…l；j＝1，2，…，ri}表示第i个隐含层的第j个输出向量，其中ri表示第i层的输出向量总数。
在DNN模型中，当前层的节点与前一层的所有节点、后一层的所有节点都是全连接，即对于当前层的某一个节点，它与前一层的所有节点均有相连的边，同理，它与下一层的所有节点也都有相连的边。深度神经网络实际上是由多个人工神经元组合而成，总的来说，深度神经网络的每一层都是由前一层的所有节点求和后通过分类器或回归得到的不同节点所构成，深度神经网络的参数学习则是通过误差逐层反向传播来修改相对应的权重完成的。
在进行空气质量预测时，污染物浓度与多种因素相关，一天中不同时间的气象状况、人类的活动状况对大气污染的影响有所不同，一般情况下在时间序列上将成一定的周期变化特性。如果将每天24小时各小时检测的大气污染物浓度预测按照周期变化规律分类预测，将有效提高预测质量。例如，在如图1所示的DNN的结构图中，可以将每天每个相同时间段(如1点，2点，…，23点，24点)获得的不同地点的污染物(二氧化氮、二氧化硫、臭氧、一氧化碳、悬浮微粒)的浓度数据作为输入或者输出数据。主要过程包括：
假设每个污染物浓度向量为：
Vecab＝{Cab(NO2)，Cab(SO2)，Cab(O3)，Cab(CO)，Cab(TSP)}
式中，a表示不同时间点，此处a＝1，2，…，24；b表示不同地点，假设一共有N个地点；Cab(NO2)、Cab(SO2)、Cab(O3)、Cab(CO)、Cab(TSP)分别为不同时间点不同地点所采集的二氧化氮浓度、二氧化硫浓度、臭氧浓度、一氧化碳浓度以及悬浮微粒浓度。
则一个时间点所对应的数据组可表示为：
Xa＝{Veca1，Veca2，Veca3，…，VecaN}
一个集合包括24个数据组，即：
Data1＝{X1，X2，X3，…，X24}
假设已知一个24个时间点的数据集合Data1，其采集的各个数据组中的数据未有任何缺失；待测集合Data2同样为24个时间点的数据集合，但其中缺少12点和13点采集的数据中缺少部分污染物种类的浓度值，因此需要利用集合Data1的数据对Data2进行预测，以弥补缺失浓度。
将集合Data1中的数据组作为训练数据，用来构建一个预测大气污染物浓度的DNN模型。若想构建一个预测12点和13点的污染物浓度数据，可将Data1的24个时间点污染物浓度数据分为两部分，将12点和13点的污染物浓度数据组作为输出数据，此处用Y12和Y13表示，而其他22个时间点的污染物浓度数据组作为输入数据，即X1，X2，X3，…，X22。根据图1所示，利用已知的输入数据和输出数据可以求出输入向量{hij}，随后可以构建整个污染物浓度数据预测的DNN模型。因待测集合Data2中12点和13点的污染物浓度数据组中浓度缺失，即为未知状态，则将Data2的22个时间点的数据组作为输入数据，利用DNN模型得到输出数据，即12点和13点的数据组中污染物的浓度数据，获得该预测数据组后，即可对缺失的浓度值进行补充。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于深度神经网络的空气质量预测方法，其特征在于，包括下列步骤：
S1：确定时间序列和等间隔时间点，对不同地点采集各等间隔时间点下的各个空气污染物的浓度；
S2：将采集的各个污染物浓度排序，获取不同地点在不同时间点的浓度向量，各个浓度向量中浓度种类的排序一致；
S3：将不同地点在同一时间点的浓度向量作为一个数据组，将一个时间序列中所有数据组作为一个数据集合；
S4：从多个数据集合中选出一个包含所有污染物的浓度值的已知集合，找出待测集合中缺失的污染物浓度的数据组，确定其所对应的时间点；
S5：从已知集合中挑选出与时间点对应的数据组作为输入数据，将已知集合中其余数据组作为输出数据，获取输入向量作为隐层；
S6：根据输入向量构建深度神经网络模型，将待测集合中其他数据组作为输入值，通过深度神经网络模型获取输出值，进而完成待测集合中缺失浓度的预测。
2.根据权利要求1所述的一种基于深度神经网络的空气质量预测方法，其特征在于，所述的深度神经网络模型采用DNN模型，该DNN模型为L+2层结构，其中第0层为模型输入层，第1到第l层为隐层，第l+1层为模型结构特征的输出层，相邻层之间通过前馈权值矩阵连接。
3.根据权利要求1所述的一种基于深度神经网络的空气质量预测方法，其特征在于，所述的步骤S2中，不同地点在不同时间点的浓度向量Vecab的表达式为：
Vecab＝{Cab(A)，Cab(B)，Cab(C)，Cab(D)，Cab(E)…}
式中，a为时间点编号，b为地点编号；Cab(A)，Cab(B)，Cab(C)，Cab(D)，Cab(E)分别为不同污染物种类的浓度值。
4.根据权利要求3所述的一种基于深度神经网络的空气质量预测方法，其特征在于，所述的步骤S3中，某一数据组Xa的表达式为：
Xa＝{Veca1，Veca2，Veca3，…，VecaN}
式中，N为地点的总数。
5.根据权利要求4所述的一种基于深度神经网络的空气质量预测方法，其特征在于，所述的步骤S3中，某一数据集合Datap的表达式为：
Datap＝{X1，X2，X3，…，XM}
式中，p为集合编号，M为时间点的总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254528.XA CN108537336B (zh) | 2018-03-26 | 2018-03-26 | 一种基于深度神经网络的空气质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254528.XA CN108537336B (zh) | 2018-03-26 | 2018-03-26 | 一种基于深度神经网络的空气质量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537336A true CN108537336A (zh) | 2018-09-14 |
| CN108537336B CN108537336B (zh) | 2021-07-20 |
Family
ID=63484702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810254528.XA Active CN108537336B (zh) | 2018-03-26 | 2018-03-26 | 一种基于深度神经网络的空气质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537336B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321932A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
| CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
| CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
| US20220003732A1 (en) * | 2018-09-28 | 2022-01-06 | Nec Corporation | Information processing apparatus, sensor operation optimization method, and program |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6539311B1 (en) * | 2000-10-30 | 2003-03-25 | The Mitre Corporation | Apparatus and method for measuring concentrations of a chemical/biological/nuclear agent in an environment |
| 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 |
| CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
| CN106407258A (zh) * | 2016-08-24 | 2017-02-15 | 广东工业大学 | 一种缺失数据预测方法及装置 |
| CN106777864A (zh) * | 2016-11-11 | 2017-05-31 | 浙江大学 | 一种低成本pm2.5监测节点的校准方法 |
| CN106770989A (zh) * | 2017-03-15 | 2017-05-31 | 深圳智达机械技术有限公司 | 一种有效的室内空气质量评估系统 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
-
2018
- 2018-03-26 CN CN201810254528.XA patent/CN108537336B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6539311B1 (en) * | 2000-10-30 | 2003-03-25 | The Mitre Corporation | Apparatus and method for measuring concentrations of a chemical/biological/nuclear agent in an environment |
| 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 |
| CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
| CN106407258A (zh) * | 2016-08-24 | 2017-02-15 | 广东工业大学 | 一种缺失数据预测方法及装置 |
| CN106777864A (zh) * | 2016-11-11 | 2017-05-31 | 浙江大学 | 一种低成本pm2.5监测节点的校准方法 |
| CN106770989A (zh) * | 2017-03-15 | 2017-05-31 | 深圳智达机械技术有限公司 | 一种有效的室内空气质量评估系统 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| VICTOR O.K.LI等: ""Deep Learning Model to Estimate Air Pollution Using M-BP to Fill in Missing Proxy Urban Data"", 《GLOBECOM 2017 - 2017 IEEE GLOBAL COMMUNICATIONS CONFERENCE》 * |
| 李淑婷: ""成都市大气环境污染时空特征分析及质量评价"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220003732A1 (en) * | 2018-09-28 | 2022-01-06 | Nec Corporation | Information processing apparatus, sensor operation optimization method, and program |
| US11789001B2 (en) * | 2018-09-28 | 2023-10-17 | Nec Corporation | Information processing apparatus, sensor operation optimization method, and program |
| CN110321932A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
| CN110321932B (zh) * | 2019-06-10 | 2021-06-25 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
| CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
| CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
| CN113011455B (zh) * | 2021-02-02 | 2024-01-05 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537336B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
| CN108537336A (zh) | 一种基于深度神经网络的空气质量预测方法 | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
| CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
| CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
| 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 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| Huang et al. | A new air quality forecasting model using data mining and artificial neural network | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| Ye et al. | Short-term prediction of available parking space based on machine learning approaches | |
| CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
| Wang et al. | Pm2. 5 prediction based on neural network | |
| Bakar et al. | Prediction of multivariate air quality time series data using long short-term memory network | |
| Zhan et al. | Prediction of air quality in major cities of China by deep learning | |
| CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
| CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
| CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
| Zhang et al. | An evaluation model of water quality based on learning vector quantization neural network | |
| Pandey et al. | Simulation and optimization of genetic algorithm-artificial neural network based air quality estimator | |
| Shen et al. | Spatial-temporal evolution prediction of gas distribution based on PSO-Elman neural network | |
| CN109426857A (zh) | 一种基于状态池网络的水质指标预测方法 | |
| CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 | |
| CN110543931A (zh) | 一种基于时刻关联网络的pm2.5浓度值预测方法 | |
| Ruiz-Aguilar et al. | Hourly Air Quality Index (AQI) Forecasting Using Machine Learning Methods |
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 |