CN109063908A - 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 - Google Patents
一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 Download PDFInfo
- Publication number
- CN109063908A CN109063908A CN201810852241.7A CN201810852241A CN109063908A CN 109063908 A CN109063908 A CN 109063908A CN 201810852241 A CN201810852241 A CN 201810852241A CN 109063908 A CN109063908 A CN 109063908A
- Authority
- CN
- China
- Prior art keywords
- aqi
- information
- term
- fine granularity
- 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
- 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"
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,本发明对于AQI预测,利用深度神经网络得到与之相关的多种城市大数据的表示,基于这些表示对有监测站区域的AQI进行预测。对于空间细粒度AQI等级估计,利用深度神经网络得到与之相关的多种城市大数据的表示,基于这些表示对无监测站区域的AQI等级进行估计。通过共享数据表示,对模型参数进行协同训练。本发明结合深度学习和多任务学习对有空气质量监测站的区域进行AQI预测,对无空气质量监测站的区域进行AQI等级估计,在普适计算、环保等领域具有广阔的应用前景。
Description
技术领域
本发明涉及一种城市AQI预测与空间细粒度AQI等级估计方法,尤其涉及一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法。
背景技术
随着工业发展、人口膨胀,各类有害物质被排放到空气中,造成大气污染。很多城市建立了空气质量监测站对空气质量进行实时监控。对于某个地点,如果在其一定范围内没有设立空气质量监测站,则无法获得该地点的空气质量,且空气质量监测站无法对未来的空气质量进行预测。因此,有必要对无监测站区域的空气质量进行估计并对有监测站区域未来的空气质量进行预测,为人们提供在空间和时间上全面的空气质量信息,对于人们出行安排和政府部门环保决策具有重大意义。
现有空气质量估计方法利用与空气质量相关的城市大数据(例如气象、路网以及POI等),建立两个区域之间空气质量的关系,从而利用有监测站区域的空气质量来估计无监测站区域的空气质量。现有空气质量预测方法利用与空气质量相关的城市大数据,建立空气质量与相关特征之间的关系,从而对有监测站区域未来的空气质量进行预测。然而,现有空气质量建模方法对与空气质量相关的城市大数据考虑不充分,例如,没有考虑企业自测的污染废气排放等信息。其次,现有工作使用传统的特征工程提取特征,得到的特征往往不完备,且需要长时间的设计与验证。同时,由于监测站数量有限,所以训练样本缺乏,进而导致模型往往不能取得好的泛化性能。
发明内容
本发明为克服上述的不足之处,目的在于提供一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,本发明主要包括预处理、AQI预测、空间细粒度AQI等级估计和协同训练;在预处理阶段,将城市空间划分成互不相交的网格区域,以城市中心为中心点,划分全局影响区域,结合所有网格区域的POI分布以及路网分布等数据构建二分图。在AQI预测阶段,利用深度神经网络得到有监测站网格区域的信息表示,包括时序信息表示与非时序信息表示,同时利用深度神经网络得到全局影响区域的时序信息表示,基于这些表示对有监测站网格区域的AQI进行预测。在空间细粒度AQI等级估计阶段,利用深度神经网络得到无监测站网格区域的信息表示,包括时序信息表示与非时序信息表示,基于这些表示对无监测站网格区域的AQI等级进行估计。在协同训练阶段,通过在图嵌入、AQI预测以及空间细粒度AQI等级估计间共享网格区域的信息表示,对模型参数进行协同训练。本发明解决了现有空气质量建模方法对与空气质量相关的城市大数据考虑不充分、传统特征工程的固有局限性以及训练样本缺乏导致的模型泛化性能弱的问题。
本发明是通过以下技术方案达到上述目的:一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,包括预处理阶段、AQI预测阶段、空间细粒度AQI等级估计阶段、协同训练阶段,具体如下:
(1)预处理阶段:
(1.1)将城市地理空间划分成互不相交的网格区域,得到网格区域集合D={di,1≤i≤|D|},以及每个网格区域di的POI分布数据与路网分布数据;
(1.2)以城市中心为中心点对地理空间进行划分,得到全局影响区域GR;
(1.3)根据所有网格区域的POI分布数据以及路网分布数据构建三张二分图:网格区域-网格区域图Gdd、网格区域-POI类别图Gdp以及网格区域-路段类别图Gdr;
(2)AQI预测阶段:
(2.1)假设当前时刻为t,输入一条AQI预测样本其中表示有监测站网格区域dfi过去S个时刻的短期时序数据、过去L个时刻的长期时序数据以及未来Z个时刻的天气预报序列,Xt GR表示全局影响区域GR过去Q个时刻的时序数据;
(2.2)利用深度神经网络,将网格区域di嵌入到一个维空间,得到其低维向量表示
(2.3)利用CNN对dfi的低维向量表示进行处理,得到dfi的非时序信息表示
(2.4)利用RNN对dfi的短期时序数据进行处理,得到短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示以及
(2.5)利用LSTM RNN对dfi的长期时序数据以及天气预报序列进行处理,得到长期气象信息、长期空气质量信息、长期交通信息、长期企业自测信息以及天气预报信息的表示以及
(2.6)利用RNN对全局影响区域GR的时序数据进行处理,得到全局影响区域的时序信息表示Grt;
(2.7)将上述所有信息表示输入一个LSTM RNN,得到用于AQI预测的信息表示序列
(2.8)将输入一个全连接层,全连接层的输出用Relu函数进行处理,得到dfi未来Z个时刻的AQI序列
(3)空间细粒度AQI等级估计阶段:
(3.1)假设当前时刻为t,输入一条空间细粒度AQI等级估计样本其中表示无监测站网格区域dei过去S个时刻的短期时序数据以及过去L个时刻的长期时序数据,分别表示有监测站网格区域集合NF={df1,df2,...,df|NF|}中每个网格区域的时序数据;
(3.2)利用深度神经网络,将网格区域dei、df1、df2、…、df|NF|嵌入到一个维空间,得到低维向量表示
(3.3)利用CNN对网格区域dei、df1、df2、…、df|NF|的低维向量表示进行处理,得到网格区域的非时序信息表示
(3.4)利用RNN对网格区域dei的短期时序数据进行处理,得到短期气象信息、短期交通信息以及短期企业自测信息的表示以及
(3.5)利用LSTM RNN对网格区域dei的长期时序数据进行处理,得到长期气象信息、长期交通信息以及长期企业自测信息的表示以及
(3.6)利用RNN对网格区域df1、df2、…、df|NF|的短期时序数据进行处理,得到每个网格区域的短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示
(3.7)利用LSTM RNN对网格区域df1、df2、…、df|NF|的长期时序数据进行处理,得到每个网格区域的长期气象信息、长期空气质量信息、长期交通信息以及长期企业自测信息的表示
(3.8)将上述所有时序信息表示与非时序信息表示进行拼接,得到用于空间细粒度AQI等级估计的信息表示
(3.9)将输入softmax分类器,得到dei的AQI等级概率分布;(3.10)将概率分布中最大值对应的级别作为得到的dei在当前t时刻的AQI等级,即
(4)协同训练阶段:
(4.1)定义图嵌入目标函数L(G);
(4.2)获取带标签的AQI预测训练集FD,定义AQI预测目标函数L(FD);
(4.3)获取带标签的空间细粒度AQI等级估计训练集ED,定义空间细粒度AQI等级估计目标函数L(ED);
(4.4)通过共享网格区域的信息表示,对上述模型参数进行协同训练,模型最终目标函数为L(G)+L(FD)+L(ED)。
作为优选,所述的CNN结构为卷积层-池化层-卷积层-池化层,其中第一个卷积层由6个一维卷积核构成,感受野为3;第一个池化层的池化区域长度为2;第二个卷积层由12个一维卷积核构成,感受野为3;第二个池化层的池化区域长度为2;
(a)卷积层:以数据δ为输入,对其进行核卷积,输出数据的局部特征关系:
其中m表示层数,表示在m+1层的第j个特征图,η为卷积核,b为偏置量,σ为激活函数;
(b)池化层:用最大池化操作对数据进行下采样:
其中为在层的第i个神经单元的数值,ξ表示池化区域大小。
作为优选,所述的RNN网络由RNN单元组成,每个RNN单元包括一个隐状态单元hj,对于一个典型的单层RNN网络,一个RNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1,在每个时间步隐状态都会更新;给定输入,一个RNN的输出根据下式进行计算:
hj=tanh(W(h)hj-1+W(x)xj) (3)
其中W(h)与W(x)为权重矩阵。
作为优选,所述的LSTM RNN网络由LSTM RNN单元组成,每个单元包括一个记忆单元cj,可以被读取、写入和重置;LSTM RNN通过三种门来控制信息的输入、输出以及记忆的更新:输入门ij、输出门oj以及遗忘门fj;对于一个典型的单层LSTM RNN网络,一个LSTM RNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1与记忆状态cj-1,在每个时间步隐状态都会更新;给定输入,一个LSTM RNN的输出可以根据下式进行计算:
ij=tanh(W(i)xj+U(i)hj-1+bi) (4)
fj=tanh(W(f)xj+U(f)hj-1+bf) (5)
oj=tanh(W(o)xj+U(o)hj-1+bo) (6)
hj=oj otanh(cj) (9)
其中,cj和hj是LSTM RNN单元的输出,可以传递给下个时间步迭代的进行上述操作;操作符o代表点乘运算,W(i),U(i),W(f),U(f),W(o),U(o),W(c),U(c)代表权重矩阵,bi,bf,bo,bc代表偏差向量。
作为优选,所述在步骤(2.8)中,表示dfi在t+n时刻的AQI预测值,其计算公式如下:
其中W(d)为权重矩阵。
作为优选,所述步骤(3.9)具体为:利用softmax分类器将映射为不同AQI等级l∈{1,2,..,K}的概率分布;softmax函数的计算公式如下:
其中exp表示以自然常数为底的指数函数,Wl表示softmax权重矩阵的第l列向量,K为AQI等级数。
作为优选,所述步骤(4.1)定义图嵌入目标函数L(G)的方法为:给定一张二分图G=(V,E),其中V表示顶点的集合,E表示边的集合,需要最小化下述目标函数:
其中,wij是顶点vi与vj之间边的权重,由顶点vi生成顶点vj的概率p(vj|vi)定义如下:
其中,μi和μj分别是顶点vi和vj的嵌入表示,通过最小化公式(12)可以得到每个顶点vi的嵌入表示对于图Gdd、Gdp和Gdr,其相应的目标函数以及目标函数的总和如下所示:
L(G)=L(Gdd)+L(Gdp)+L(Gdr) (17)。
作为优选,所述步骤(4.2)的具体方法为:带有AQI标签的AQI预测训练样本其中表示dfi在未来Z个时刻的真实AQI值;AQI预测训练集FD={fs1,fs2,...,fs|FD|};AQI预测在训练样本fs上的目标函数为:
其中为dfi在t+n时刻AQI的预测值;AQI预测在训练集FD上的目标函数为:
L(FD)=∑fs∈FDL(fs) (19)。
作为优选,所述步骤(4.3)的具体方法为:带有AQI等级标签的空间细粒度AQI等级估计训练样本其中表示dei在t时刻的真实AQI等级;空间细粒度AQI等级估计训练样本集ED={es1,es2,...,es|ED|};空间细粒度AQI等级估计在训练样本es上的目标函数为:
其中Wj为权重矩阵;空间细粒度AQI等级估计在训练集ED上的目标函数为:
L(ED)=∑es∈ED(-L(es)) (21)。
作为优选,所述步骤(4.4)的模型最终目标函数如下:
L=L(G)+L(FD)+L(ED)
=L(G)+∑fs∈FDL(fs)+∑es∈ED(-L(es)) (22)。
本发明的有益效果在于:1)本发明提出协同建模城市AQI预测与空间细粒度AQI等级估计的方法。利用AQI预测与空间细粒度AQI等级估计间的相关性,实现AQI预测模型与空间细粒度AQI等级估计模型泛化能力的提升;2)本发明提出基于深度神经网络的时序信息表示构建方法。利用RNN得到气象、空气质量、交通以及企业自测等时序信息的短期表示与长期表示,为空气质量建模提供充分有效的时序信息表示;3)本发明提出基于深度神经网络的非时序信息表示构建方法。利用深度神经网络将由所有网格区域、POI分布以及路网分布等非时序数据组成的信息网络图中的每个顶点嵌入到一个低维向量中,利用CNN对网格区域的低维向量进行处理,得到网格区域的非时序信息表示,为空气质量建模提供充分有效的非时序信息表示。
附图说明
图1是本发明的方法框架图;
图2是本发明实施例的网格区域与网格影响区域示意图;
图3是本发明实施例的全局影响区域与全局影响子区域示意图;
图4是本发明的网格区域、POI类别以及路段类别组成的二分图;
图5是本发明的网格区域非时序信息表示构建CNN网络结构图;
图6是本发明的网格区域短期时序信息表示构建RNN网络结构图;
图7是本发明的网格区域长期时序信息表示构建LSTM RNN网络结构图;
图8是本发明的全局影响区域时序信息表示构建RNN网络结构图;
图9是本发明的AQI预测LSTM RNN网络结构图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1所示,一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,包括预处理、AQI预测、空间细粒度AQI等级估计和协同训练四个阶段,具体如下:
(I)预处理阶段:
步骤1:将城市地理空间划分成互不相交的网格区域,得到网格区域集合D={di,1≤i≤|D|},以及每个网格区域di的POI分布数据与路网分布数据。
将城市地理空间划分成互不相交的网格区域,D={di,1≤i≤|D|}表示网格区域的集合,每个网格区域及其周围相邻的8个网格区域称作其网格影响区域。如图2所示,阴影部分表示一个网格区域,实线方框包含部分表示其网格影响区域。本发明假设同一个网格区域内的空气质量是一致的,将网格区域作为AQI预测与空间细粒度AQI等级估计的基本单元。为便于描述,将有监测站的网格区域记做dfi,将无监测站的网格区域记做dei。
di的POI分布数据包括其网格影响区域内每类POI的数量,路网分布数据包括其网格影响区域内每类路段的总长度。
步骤2:以城市中心为中心点对地理空间进行划分,得到全局影响区域GR。
以城市中心O为中心点,用三个直径不同的圆以及四条线段将地理空间划分成互不相交的区域,如图3所示。其中,最大的圆包含的空间称作全局影响区域GR,由线段与圆弧组成的互不相交的子区域称作全局影响子区域,GR是全局影响子区域的集合,即GR={g1,g2,…,g|GR|},gi表示一个全局影响子区域。
步骤3:根据所有网格区域的POI分布数据以及路网分布数据构建三张二分图:网格区域-网格区域图Gdd、网格区域-POI类别图Gdp以及网格区域-路段类别图Gdr。
网格区域-网格区域图Gdd=(D∪D,εdd)表示网格区域间的物理距离关系,如图4中的(a)所示。其中D为网格区域的集合,εdd表示网格区域间的边集,每一对网格区域di和网格区域dj之间都有一条边eij,边权wij定义为di和dj之间的物理距离。
网格区域-POI类别图Gdp=(D∪P,εdp),表示网格影响区域内POI的分布,如图4中的(b)所示。其中,D表示网格区域的集合,P表示POI类别的集合,εdp表示网格区域和POI类别的边集。如果网格区域di的网格影响区域内有类别为pj的POI,则网格区域di和POI类别pj之间存在一条边eij,边权wij定义为di的网格影响区域内包含的类别为pj的POI数量。
网格区域-路段类别图Gdr=(D∪RD,εdr),表示网格影响区域内路段的分布,如图4中的(c)所示。其中,D表示网格区域的集合,RD表示路段类别的集合,εdr表示网格区域和路段类别的边集。如果网格区域di的网格影响区域内有类别为rj的路段,则网格区域di和路段类别rj之间存在一条边eij,边权wij定义为di的网格影响区域内包含的类别为rj的路段总长度。
(II)AQI预测阶段:
步骤1:假设当前时刻为t,输入一条AQI预测样本其中表示有监测站网格区域dfi过去S个时刻的短期时序数据、过去L个时刻的长期时序数据以及未来Z个时刻的天气预报序列,表示全局影响区域GR过去Q个时刻的时序数据。
dfi过去S个时刻的短期时序数据包括短期气象序列短期空气质量序列短期交通序列以及短期企业自测序列过去L个时刻的长期时序数据包括长期气象序列长期空气质量序列长期交通序列以及长期企业自测序列令表示df未来Z个时刻的天气预报序列。其中与分别表示全局影响子区域gi过去Q个时刻的气象序列与空气质量序列。
步骤2:利用深度神经网络,将网格区域di嵌入到一个维空间,得到其低维向量表示
步骤3:利用CNN对dfi的低维向量表示进行处理,得到dfi的非时序信息表示
将网格区域dfi的低维向量表示输入到CNN,通过一系列卷积和池化操作,获得与空气质量建模相关的dfi的非时序信息表示本发明构建的CNN结构为卷积层-池化层-卷积层-池化层,如图5所示,其中第一个卷积层由6个一维卷积核构成,感受野为3。第一个池化层的池化区域长度为2。第二个卷积层由12个一维卷积核构成,感受野为3。第二个池化层的池化区域长度为2。
a)卷积层:以数据δ为输入,对其进行核卷积,输出数据的局部特征关系:
其中m表示层数,表示在m+1层的第j个特征图,η为卷积核,b为偏置量,σ为激活函数。
b)池化层:用最大池化操作对数据进行下采样:
其中为在m+1层的第i个神经单元的数值,ξ表示池化区域大小。
步骤4:利用RNN对dfi的短期时序数据进行处理,得到短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示以及
本发明利用RNN处理dfi的短期时序数据。RNN网络由RNN单元组成,每个RNN单元包括一个隐状态单元hj,对于一个典型的单层RNN网络,一个RNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1,在每个时间步隐状态都会更新。给定输入,一个RNN的输出根据下式进行计算:
hj=tanh(W(h)hj-1+W(x)xj) (3)
其中W(h)与W(x)为权重矩阵。本发明用来处理网格区域短期时序数据的RNN网络结构如图6所示,由两层RNN节点组成。当网络的输入分别为以及时,相应的输出分别为 以及
步骤5:利用LSTM(Long Short-Term Memory)RNN对dfi的长期时序数据以及天气预报序列进行处理,得到长期气象信息、长期空气质量信息、长期交通信息、长期企业自测信息以及天气预报信息的表示以及
本发明利用LSTM RNN处理dfi的长期时序数据以及天气预报序列。LSTM RNN网络由LSTM RNN单元组成,每个单元包括一个记忆单元cj,可以被读取、写入和重置。LSTM RNN通过三种门来控制信息的输入、输出以及记忆的更新:输入门ij、输出门oj以及遗忘门fj。对于一个典型的单层LSTM RNN网络,一个LSTM RNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1与记忆状态cj-1,在每个时间步隐状态都会更新。给定输入,一个LSTM RNN的输出可以根据下式进行计算。
ji=tanh(W(i)xj+U(i)hj-1+bi) (4)
fj=tanh(W(f)xj+U(f)hj-1+bf) (5)
oj=tanh(W(o)xj+U(o)hj-1+bo) (6)
hj=oj otanh(cj) (9)
其中,cj和hj是LSTM RNN单元的输出,可以传递给下个时间步迭代的进行上述操作。操作符o代表点乘运算,W(i),U(i),W(f),U(f),W(o),U(o),W(c),U(c)代表权重矩阵,bi,bf,bo,bc代表偏差向量。本发明用来处理网格区域长期时序数据的LSTM RNN网络结构如图7所示,由两层LSTM RNN结点组成。当网络的输入分别为 以及时,相应的输出分别为 以及
步骤6:利用RNN对全局影响区域GR的时序数据进行处理,得到全局影响区域的时序信息表示Grt。
本发明利用RNN处理全局影响区域的时序数据,如图8所示,采用的RNN网络由一层RNN结点组成,当输入为Grt中的每个序列时,相应的输出的集合为其中
步骤7:将上述所有信息表示输入一个LSTM RNN,得到用于AQI预测的信息表示序列
将上述所有信息表示进行拼接后输入如图9所示的由一层LSTM RNN结点组成的LSTM RNN,其输出为
步骤8:将输入一个全连接层,全连接层的输出用Relu函数进行处理,得到dfi未来Z个时刻的AQI序列
表示dfi在t+n时刻的AQI预测值,其计算公式如下:
其中W(d)为权重矩阵。
(III)空间细粒度AQI等级估计阶段:
步骤1:假设当前时刻为t,输入一条空间细粒度AQI等级估计样本其中表示无监测站网格区域dei过去S个时刻的短期时序数据以及过去L个时刻的长期时序数据,分别表示有监测站网格区域集合NF={df1,df2,...,df|NF|}中每个网格区域的时序数据。
dei的短期时序数据包括短期气象序列、短期交通序列与短期企业自测序列,长期时序数据包括长期气象序列、长期交通序列与长期企业自测序列。NF中每个网格区域的时序数据包括过去S个时刻的短期气象序列、短期空气质量序列、短期交通序列、短期企业自测序列,过去L个时刻的长期气象序列、长期空气质量序列、长期交通序列、长期企业自测序列。
步骤2:利用深度神经网络,将网格区域dei、df1、df2、…、df|NF|嵌入到一个维空间,得到低维向量表示
步骤3:利用CNN对网格区域dei、df1、df2、…、df|NF|的低维向量表示进行处理,得到网格区域的非时序信息表示
将网格区域dei、df1、df2、…、df|NF|的低维向量表示 输入到如图5所示的结构为卷积层-池化层-卷积层-池化层的CNN,通过一系列卷积和池化操作,获得与空气质量建模相关的网格区域非时序信息表示
步骤4:利用RNN对网格区域dei的短期时序数据进行处理,得到短期气象信息、短期交通信息以及短期企业自测信息的表示 以及
本发明利用如图6所示的由两层RNN结点组成的RNN处理dei的短期气象序列、短期交通序列以及短期企业自测序列,相应的输出为以及
步骤5:利用LSTM RNN对网格区域dei的长期时序数据进行处理,得到长期气象信息、长期交通信息以及长期企业自测信息的表示以及
本发明利用如图7所示的由两层LSTM RNN结点组成的LSTM RNN处理dei的长期气象序列、长期交通序列以及长期企业自测序列,相应的输出为以及
步骤6:利用RNN对网格区域df1、df2、…、df|NF|的短期时序数据进行处理,得到每个网格区域的短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示
本发明利用如图6所示的由两层RNN结点组成的RNN处理df1、df2、…、df|NF|的短期气象序列、短期空气质量序列、短期交通序列以及短期企业自测序列,相应的输出为
步骤7:利用LSTM RNN对网格区域df1、df2、…、df|NF|的长期时序数据进行处理,得到每个网格区域的长期气象信息、长期空气质量信息、长期交通信息以及长期企业自测信息的表示
本发明利用如图7所示的由两层LSTM RNN结点组成的LSTM RNN处理df1、df2、…、df|NF|的长期气象序列、长期空气质量序列、长期交通序列以及长期企业自测序列,相应的输出为
步骤8:将上述所有时序信息表示与非时序信息表示进行拼接,得到用于空间细粒度AQI等级估计的信息表示
步骤9:将输入softmax分类器,得到dei的AQI等级概率分布。
利用softmax分类器将映射为不同AQI等级l∈{1,2,..,K}的概率分布。softmax函数的计算公式如下:
其中exp表示以自然常数为底的指数函数,Wl表示softmax权重矩阵的第l列向量。K为AQI等级数。
步骤10:将概率分布中最大值对应的级别作为得到的dei在当前t时刻的AQI等级,即
(IV)协同训练阶段:
应用上述模型前,需要对模型参数进行训练。
步骤1:定义图嵌入目标函数L(G)。
给定一张二分图G=(V,E),其中V表示顶点的集合,E表示边的集合,需要最小化下述目标函数:
其中,wij是顶点vi与vj之间边的权重,由顶点vi生成顶点vj的概率p(vj|vi)定义如下:
其中,μi和μj分别是顶点vi和vj的嵌入表示,通过最小化公式(12),可以得到每个顶点vi的嵌入表示对于图Gdd、Gdp和Gdr,其相应的目标函数以及目标函数的总和如下所示:
L(G)=L(Gdd)+L(Gdp)+L(Gdr) (17)
步骤2:获取带标签的AQI预测训练集FD,定义AQI预测目标函数L(FD)。
带有AQI标签的AQI预测训练样本其中表示dfi在未来Z个时刻的真实AQI值。AQI预测训练集FD={fs1,fs2,...,fs|FD|}。AQI预测在训练样本fs上的目标函数为:
其中为dfi在t+n时刻AQI的预测值。AQI预测在训练集FD上的目标函数为:
步骤3:获取带标签的空间细粒度AQI等级估计训练集ED,定义空间细粒度AQI等级估计目标函数L(ED)。
带有AQI等级标签的空间细粒度AQI等级估计训练样本其中表示dei在t时刻的真实AQI等级。空间细粒度AQI等级估计训练样本集ED={es1,es2,...,es|ED|}。空间细粒度AQI等级估计在训练样本es上的目标函数为:
其中Wj为权重矩阵。空间细粒度AQI等级估计在训练集ED上的目标函数为:
L(ED)=∑es∈ED(-L(es)) (21)
步骤4:通过共享网格区域的信息表示,对上述模型参数进行训练,模型最终目标函数为L(G)+L(FD)+L(ED)。
为实现协同建模,图嵌入、AQI预测以及空间细粒度AQI等级估计共享网格区域的信息表示,模型最终目标函数如下:
L=L(G)+L(FD)+L(ED)
=L(G)+∑fs∈FDL(fs)+∑es∈ED(-L(es)) (22)
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (10)
1.一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于,包括预处理阶段、AQI预测阶段、空间细粒度AQI等级估计阶段、协同训练阶段,具体如下:
(1)预处理阶段:
(1.1)将城市地理空间划分成互不相交的网格区域,得到网格区域集合D={di,1≤i≤|D|},以及每个网格区域di的POI分布数据与路网分布数据;
(1.2)以城市中心为中心点对地理空间进行划分,得到全局影响区域GR;
(1.3)根据所有网格区域的POI分布数据以及路网分布数据构建三张二分图:网格区域-网格区域图Gdd、网格区域-POI类别图Gdp以及网格区域-路段类别图Gdr;
(2)AQI预测阶段:
(2.1)假设当前时刻为t,输入一条AQI预测样本其中表示有监测站网格区域dfi过去S个时刻的短期时序数据、过去L个时刻的长期时序数据以及未来Z个时刻的天气预报序列,表示全局影响区域GR过去Q个时刻的时序数据;
(2.2)利用深度神经网络,将网格区域di嵌入到一个维空间,得到其低维向量表示
(2.3)利用CNN对dfi的低维向量表示进行处理,得到dfi的非时序信息表示
(2.4)利用RNN对dfi的短期时序数据进行处理,得到短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示以及
(2.5)利用LSTM RNN对dfi的长期时序数据以及天气预报序列进行处理,得到长期气象信息、长期空气质量信息、长期交通信息、长期企业自测信息以及天气预报信息的表示以及
(2.6)利用RNN对全局影响区域GR的时序数据进行处理,得到全局影响区域的时序信息表示Grt;
(2.7)将上述所有信息表示输入一个LSTM RNN,得到用于AQI预测的信息表示序列
(2.8)将输入一个全连接层,全连接层的输出用Relu函数进行处理,得到dfi未来Z个时刻的AQI序列
(3)空间细粒度AQI等级估计阶段:
(3.1)假设当前时刻为t,输入一条空间细粒度AQI等级估计样本其中表示无监测站网格区域dei过去S个时刻的短期时序数据以及过去L个时刻的长期时序数据,分别表示有监测站网格区域集合中每个网格区域的时序数据;
(3.2)利用深度神经网络,将网格区域dei、df1、df2、…、df|NF|嵌入到一个维空间,得到低维向量表示
(3.3)利用CNN对网格区域dei、df1、df2、…、df|NF|的低维向量表示进行处理,得到网格区域的非时序信息表示
(3.4)利用RNN对网格区域dei的短期时序数据进行处理,得到短期气象信息、短期交通信息以及短期企业自测信息的表示以及
(3.5)利用LSTM RNN对网格区域dei的长期时序数据进行处理,得到长期气象信息、长期交通信息以及长期企业自测信息的表示以及
(3.6)利用RNN对网格区域df1、df2、…、df|NF|的短期时序数据进行处理,得到每个网格区域的短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示
(3.7)利用LSTM RNN对网格区域df1、df2、…、df|NF|的长期时序数据进行处理,得到每个网格区域的长期气象信息、长期空气质量信息、长期交通信息以及长期企业自测信息的表示
(3.8)将上述所有时序信息表示与非时序信息表示进行拼接,得到用于空间细粒度AQI等级估计的信息表示
(3.9)将输入softmax分类器,得到dei的AQI等级概率分布;
(3.10)将概率分布中最大值对应的级别作为得到的dei在当前t时刻的AQI等级,即
(4)协同训练阶段:
(4.1)定义图嵌入目标函数L(G);
(4.2)获取带标签的AQI预测训练集FD,定义AQI预测目标函数L(FD);
(4.3)获取带标签的空间细粒度AQI等级估计训练集ED,定义空间细粒度AQI等级估计目标函数L(ED);
(4.4)通过共享网格区域的信息表示,对上述模型参数进行协同训练,模型最终目标函数为L(G)+L(FD)+L(ED)。
2.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述的CNN结构为卷积层-池化层-卷积层-池化层,其中第一个卷积层由6个一维卷积核构成,感受野为3;第一个池化层的池化区域长度为2;第二个卷积层由12个一维卷积核构成,感受野为3;第二个池化层的池化区域长度为2;
(a)卷积层:以数据δ为输入,对其进行核卷积,输出数据的局部特征关系:
其中m表示层数,表示在m+1层的第j个特征图,η为卷积核,b为偏置量,σ为激活函数;
(b)池化层:用最大池化操作对数据进行下采样:
其中为在m+1层的第i个神经单元的数值,ξ表示池化区域大小。
3.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述的RNN网络由RNN单元组成,每个RNN单元包括一个隐状态单元hj,对于一个典型的单层RNN网络,一个RNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1,在每个时间步隐状态都会更新;给定输入,一个RNN的输出根据下式进行计算:
hj=tanh(W(h)hj-1+W(x)xj) (3)
其中W(h)与W(x)为权重矩阵。
4.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述的LSTM RNN网络由LSTM RNN单元组成,每个单元包括一个记忆单元cj,可以被读取、写入和重置;LSTM RNN通过三种门来控制信息的输入、输出以及记忆的更新:输入门ij、输出门oj以及遗忘门fj;对于一个典型的单层LSTM RNN网络,一个LSTMRNN单元的输入为当前时刻的输入数据xj,前一时刻单元的隐状态hj-1与记忆状态cj-1,在每个时间步隐状态都会更新;给定输入,一个LSTM RNN的输出可以根据下式进行计算:
其中,cj和hj是LSTM RNN单元的输出,可以传递给下个时间步迭代的进行上述操作;操作符代表点乘运算,W(i),U(i),W(f),U(f),W(o),U(o),W(c),U(c)代表权重矩阵,bi,bf,bo,bc代表偏差向量。
5.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述在步骤(2.8)中,表示dfi在t+n时刻的AQI预测值,其计算公式如下:
其中W(d)为权重矩阵。
6.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述步骤(3.9)具体为:利用softmax分类器将映射为不同AQI等级l∈{1,2,..,K}的概率分布;softmax函数的计算公式如下:
其中exp表示以自然常数为底的指数函数,Wl表示softmax权重矩阵的第l列向量,K为AQI等级数。
7.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述步骤(4.1)定义图嵌入目标函数L(G)的方法为:给定一张二分图G=(V,E),其中V表示顶点的集合,E表示边的集合,需要最小化下述目标函数:
其中,wij是顶点vi与vj之间边的权重,由顶点vi生成顶点vj的概率p(vj|vi)定义如下:
其中,μi和μj分别是顶点vi和vj的嵌入表示,通过最小化公式(12)可以得到每个顶点vi的嵌入表示对于图Gdd、Gdp和Gdr,其相应的目标函数以及目标函数的总和如下所示:
L(G)=L(Gdd)+L(Gdp)+L(Gdr) (17)。
8.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述步骤(4.2)的具体方法为:带有AQI标签的AQI预测训练样本其中表示dfi在未来Z个时刻的真实AQI值;AQI预测训练集FD={fs1,fs2,...,fs|FD|};AQI预测在训练样本fs上的目标函数为:
其中为dfi在t+n时刻AQI的预测值;AQI预测在训练集FD上的目标函数为:
L(FD)=∑fs∈FDL(fs) (19)。
9.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述步骤(4.3)的具体方法为:带有AQI等级标签的空间细粒度AQI等级估计训练样本其中表示dei在t时刻的真实AQI等级;空间细粒度AQI等级估计训练样本集ED={es1,es2,...,es|ED|};空间细粒度AQI等级估计在训练样本es上的目标函数为:
其中Wj为权重矩阵;空间细粒度AQI等级估计在训练集ED上的目标函数为:
L(ED)=∑es∈ED(-L(es)) (21)。
10.根据权利要求1所述的一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法,其特征在于:所述步骤(4.4)的模型最终目标函数如下:
L=L(G)+L(FD)+L(ED)
=L(G)+∑fs∈FDL(fs)+∑es∈ED(-L(es)) (22)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852241.7A CN109063908B (zh) | 2018-07-30 | 2018-07-30 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852241.7A CN109063908B (zh) | 2018-07-30 | 2018-07-30 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063908A true CN109063908A (zh) | 2018-12-21 |
CN109063908B CN109063908B (zh) | 2020-10-27 |
Family
ID=64831453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810852241.7A Active CN109063908B (zh) | 2018-07-30 | 2018-07-30 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063908B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN111310103A (zh) * | 2020-02-27 | 2020-06-19 | 谢国宇 | 生态环境监测数据的稠密化处理方法 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN112765229A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工程大学 | 一种基于多层注意力机制的空气质量推断方法 |
CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
CN113159409A (zh) * | 2021-04-14 | 2021-07-23 | 浙江大学 | 一种基于组感知图神经网络的全国城市空气质量预测方法 |
CN113988400A (zh) * | 2021-10-22 | 2022-01-28 | 重庆工商大学 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析系统及其方法 |
CN103760299A (zh) * | 2013-04-25 | 2014-04-30 | 孝感毅恒安全科技有限公司 | 一种基于两级神经网络的综合空气质量预测方法 |
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 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
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 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
US20170184561A1 (en) * | 2015-12-28 | 2017-06-29 | International Business Machines Corporation | Integrated Air Quality Forecasting |
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 |
WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
CN108229582A (zh) * | 2018-02-01 | 2018-06-29 | 浙江大学 | 一种面向医学领域的多任务命名实体识别对抗训练方法 |
US20180188050A1 (en) * | 2017-01-04 | 2018-07-05 | International Business Machines Corporation | Navigation system based on air pollution exposure profiling |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 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 |
-
2018
- 2018-07-30 CN CN201810852241.7A patent/CN109063908B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析系统及其方法 |
CN103760299A (zh) * | 2013-04-25 | 2014-04-30 | 孝感毅恒安全科技有限公司 | 一种基于两级神经网络的综合空气质量预测方法 |
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 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
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 |
US20170184561A1 (en) * | 2015-12-28 | 2017-06-29 | International Business Machines Corporation | Integrated Air Quality Forecasting |
WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
US20180188050A1 (en) * | 2017-01-04 | 2018-07-05 | International Business Machines Corporation | Navigation system based on air pollution exposure profiling |
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 |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 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 |
CN108229582A (zh) * | 2018-02-01 | 2018-06-29 | 浙江大学 | 一种面向医学领域的多任务命名实体识别对抗训练方法 |
Non-Patent Citations (2)
Title |
---|
LING CHEN 等: "Spatially Fine-grained Urban Air Quality Estimation Using", 《PROCEEDINGS OF THE 2016 ACMINTERNATIONALJOINTCONFERENCEONPERVASIVEANDUBIQUITOUSCOMPUTING》 * |
董婷 等: "基于时空优化深度神经网络的 AQI等级预测", 《计算机工程与应用》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
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 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN111310103A (zh) * | 2020-02-27 | 2020-06-19 | 谢国宇 | 生态环境监测数据的稠密化处理方法 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN111460733B (zh) * | 2020-04-01 | 2023-10-03 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN112765229A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工程大学 | 一种基于多层注意力机制的空气质量推断方法 |
CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
CN113159409A (zh) * | 2021-04-14 | 2021-07-23 | 浙江大学 | 一种基于组感知图神经网络的全国城市空气质量预测方法 |
CN113159409B (zh) * | 2021-04-14 | 2022-05-17 | 浙江大学 | 一种基于组感知图神经网络的全国城市空气质量预测方法 |
CN113988400A (zh) * | 2021-10-22 | 2022-01-28 | 重庆工商大学 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
CN113988400B (zh) * | 2021-10-22 | 2024-04-09 | 重庆工商大学 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109063908B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063908A (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
Ma et al. | Spatiotemporal prediction of PM2. 5 concentrations at different time granularities using IDW-BLSTM | |
Hewage et al. | Deep learning-based effective fine-grained weather forecasting model | |
Freeman et al. | Forecasting air quality time series using deep learning | |
Li et al. | Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation | |
Krishan et al. | Air quality modelling using long short-term memory (LSTM) over NCT-Delhi, India | |
Jiang et al. | Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction | |
Joshi et al. | Connectivity of tiger (Panthera tigris) populations in the human-influenced forest mosaic of central India | |
Nouri et al. | Predicting urban land use changes using a CA–Markov model | |
Nagendra et al. | Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions | |
Nejadkoorki et al. | Forecasting extreme PM10 concentrations using artificial neural networks | |
Kisi | Modeling solar radiation of Mediterranean region in Turkey by using fuzzy genetic approach | |
Wang et al. | Research on prediction of environmental aerosol and PM2. 5 based on artificial neural network | |
Kitzes et al. | Large roads reduce bat activity across multiple species | |
Ding et al. | Prediction of air pollutant concentration based on sparse response back-propagation training feedforward neural networks | |
Darabi et al. | A hybridized model based on neural network and swarm intelligence-grey wolf algorithm for spatial prediction of urban flood-inundation | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
Muthukumar et al. | Predicting PM2. 5 atmospheric air pollution using deep learning with meteorological data and ground-based observations and remote-sensing satellite big data | |
Hagen et al. | Development and evaluation of flood forecasting models for forecast-based financing using a novel model suitability matrix | |
CN108260087A (zh) | 一种基于wiifi长短时记忆的室内人流分布预测方法 | |
Nagendra et al. | Modelling urban air quality using artificial neural network | |
Ashrafi et al. | Prediction of climate change induced temperature rise in regional scale using neural network | |
Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
Kilinc et al. | Daily scale river flow forecasting using hybrid gradient boosting model with genetic algorithm optimization | |
Malleson et al. | Optimising an agent-based model to explore the behaviour of simulated burglars |
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 |