CN109063938A - 基于psode-bp神经网络的空气质量预测方法 - Google Patents
基于psode-bp神经网络的空气质量预测方法 Download PDFInfo
- Publication number
- CN109063938A CN109063938A CN201811276245.1A CN201811276245A CN109063938A CN 109063938 A CN109063938 A CN 109063938A CN 201811276245 A CN201811276245 A CN 201811276245A CN 109063938 A CN109063938 A CN 109063938A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle
- value
- psode
- nodes
- 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 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 239000003344 environmental pollutant Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Ecology (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSODE‑BP神经网络的空气质量预测方法。本发明通过数据的收集，然后对数据进行有效的分析，根据数据的特点确定BP神经网络的输入节点数、输出节点数和隐层节点数；接着使用CPSODE算法来优化该BP神经网络的连接权值和阈值，并得到最终的BP神经网络预测模型；经过该BP神经网络训练，增加了自适应PSO‑DE‑BP网络的收敛精度；可以减少PSO‑DE网络的无效迭代；DE极大程度再次优化PSO的优选的粒子，使适应度降低。降低了BP神经网络的迭代次数。
Description
技术领域
本发明涉及一种空气质量预测方法，尤其是基于PSODE-BP神经网络的空气质量预测方法。
背景技术
大气污染问题，不是某一个城市，某一个地区或者某一个国家的问题，而是全人类共同面临的重大难题。大气的污染甚至恶化，将会引起全球性的严重问题。大气防治的第一步，就是要采取监控措施，随时掌握污染物的排放情况，便于有针对性的采取有效措施，防范于未然。
早期的大气污染物监测主要依靠人工采样和实验分析的方法。计算机技术和通信技术的大力发展为环境监测领域带来了技术革新，环境监测领域已经走向了信息化和智能化。世界范围内，先后都建立起了更为高效和智能的环境监测系统。
空气质量预测的研究工作始于20世纪60年代，刚开始并没有办法实现对大气污染物的定量预测，直到80年代，人们开始通过数学统计法和数值分析法，实现了对污染物的定量预测。空气污染统计预报法，采用因次分析法和回归分析法相结合的数学方法来取代物理、化学和生物的过程预测方法。大气污染物数值预测法，通过对大气污染物的变化规律进行数学建模，利用数学模型来逼近污染物的变化趋势，是一种科学有有效的方法，但是实施过程比较复杂，效率并不高。上世纪90年代，随着人工神经网络技术的兴起，人工神经网络技术被大量应用于环境预测领域，随着研究的不断深入，各种基于神经网络技术的预测模型得以实现，并且预测精度在不断得到改善。至此人工神经网络技术在大气污染物预测领域中取得了不可替代的位置，一直成为该领域的研究热点。
发明内容
为了不断改善在环境预测领域的预测精度，本发明提出一种基于改进PSODE-BP神经网络的空气质量预测方法，其能够有效处理数据“坏点”，摆脱神经网络局部的最优点，有效的提高BP神经网络的预测精度。
本发明解决其技术问题所采用的技术方案如下：
基于PSODE-BP神经网络的空气质量预测方法包括以下步骤：
1)、BP神经网络模型构建，过程如下：
(1.1)输入层和输出层节点数确定
输入层包括SO2浓度、NO2浓度、O3浓度、CO浓度、PM2.5浓度以及风向、风速、气压、气温、湿度；输出层PM10浓度。
(1.2)隐层节点数确定
采用如下公式来确定：
其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数。
(1.3)激励函数的确定
(1.4)粒子维数确定
D＝S1*S2+S2*S3+S2+S3
其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数。
2)、结合基于改进粒子群(PSO)算法和差分进化(DE)算法混合算法优化的神经网络模型构建，过程如下：
(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POPi和DE粒子群Xi，粒子群边界上限Pmax和边界下限Pmin、飞行速度Vi、速度上限Vmax和速度下限Vmin、惯性因子w、最大进化次数i、学习因子c1、c2、w的最大wmax与最小值wmin、控制因子λ、交叉因子CR和变异概率F0、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中。
(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：
其中：tk表示期望输出；yk表示实际输出；p表示输入样本个数。
(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest。
(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)。
(2.5)、计算适应度值fnew,与当前的适应度值fold比较，如果fnew<fold,则更新pbest、gbest。
(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子。
(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest。
(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于设定的精度值α，若不满足，G加1,则转步骤(2.4),否则，继续步骤(2.9)。
(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值。
(2.10)、改进PSODE算法优化BP神经网络实现。
通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，BP神经网络总误差小于设定值或者达到迭代次数。
本发明的有益效果：
1、优化神经网络BP收敛慢、早熟的情况；
2、使用位置随机变异，增加了自适应PSODE-BP网络的收敛精度；
3、可以减少神经网络的无效迭代；
4、DE极大程度再次优化PSO的优选的粒子，使适应度值最优；
5、在PSO陷入局部最小值的时候，由于DE算法的干扰，有效的能让粒子摆脱局部最优值；
6、提高了空气预测精度，有助于完善空气预报系统，并减少测量站的数量。
附图说明
图1为BP神经网络拓扑结构；
图2为本发明的流程图。
具体实施方式
下面结合实例对本发明做进一步描述。
参照图1，是一种BP网络拓扑结构，输入信号有污染因子(SO2浓度、NO2浓度、O3浓度、CO浓度、PM2.5浓度)及气象因子(风向、风速、气压、气温、湿度)和输出信号为PM10浓度。
参照图2，本实施包括如下的步骤：
实施例2015年1月至2016年2月某地PM10日均值浓度预报。
准备训练样本数据：某地环境自动监测站2015年1月1日至2016年12月30日的PM10浓度数据及大气污染监测和气象预报数据。
1)、PSODE-BP神经网络预测模型构建，过程如下：
(1.1)输入层和输出层节点数确定
选取综合影响权重较大的因素作为各自神经网络输入层神经元，本实例相关气象因子及大气污染因子都是日平均数据，作为PSODE-BP网络预测模型的输入层的神经元，确定输入层节点数为10和输出层节点数为1。
(1.2)隐层节点数确定
采用如下公式来作为隐含层神经元数:
其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数。最后通过上述公式及试验方法来确定神经网络最终隐含层节点数为9。
(1.3)激励函数的确定
(1.4)粒子维数确定
D＝S1*S2+S2*S3+S2+S3
其中：
D为连接权值和阈值总数，S1为输入层节点数S1＝10,S2为隐层节点数S2＝9，S3为输出层节点数S3＝1，得出粒子维数空间为109。
2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：
(2.1)算法参数初始化：
随机初始化PSO种群规模NP,NP主要反应了种群的信息，从计算复杂度分析来看，种群的数目越大所包含的种群信息就多增加了种群多样性，在根据实际情况下，种群信息达到一定程度后，再增加种群数目带来的意义不大，反而会给计算带来难度，比如内存、时间的消耗。但是种群不能太小，太小导致算法停滞和提前收敛，所以根据自己的需求设定合理的粒子群数目，NP最小值不能小于4，本实例NP＝50。
随机初始化PSO粒子群POPi和DE粒子群Xi。
粒子边界上限Pmax＝5和边界下限Pmin＝-5、飞行速度Vi、PSO粒子速度上限Vmax＝1和速度下限Vmin＝-1。
惯性因子w，即保持原先速度的一个系数，体现的是粒子保持先前速度的能力，并且控制粒子的全局的搜寻能力，同时还能对算法的收敛速度和精度进行完善。w取值较大时，PSO算法全局收敛能力强，局部收敛能力弱，不利于逃离局部极值点；w取值较小时，PSO算法局部收敛能力强，全局收敛能力弱。w的最大wmax＝0.8与最小值wmin＝0.4、控制因子λ＝3。
学习因子C1,C2,认识因子C1和社会因子C2分别控制粒子群的指向自身或者邻域最佳位置的运动，跟踪自己历史最优值和群体最优值的权重系数，决定了粒子个体经验和群体经验对粒子运动轨迹的影响，较低的学习因子使粒子在目标区域徘徊，而较高的学习因子可能会导致粒子越过最佳的区域，经验表明，认识因子C1和社会因子C2设置为2为宜，不过在其他文献中也有其他的取值，但一般的C1等于C2，并且在范围0和4之间。本实例c1＝1.49445，社会因子c2＝1.49445。
交叉因子CR，一般取值在(0，1)之内，它的主要作用是控制一个候选个体参数来自于随机选择的变异个体，而不是原来父代个体的概率。来平衡全局和局部搜索性能，随着交叉概率CR的取值越大，收敛速度加快，全局搜索能力比局部搜索能力差，容易陷入局部最优值“早熟”。反之，交叉概率CR取值越小，收敛速度慢，全局搜索能力比局部搜索能力好。因此合理的对交叉概率CR进行取值对算法的性能至关重要。本实例选取CR＝0.7。
变异概率F0,影响对基向量的扰动程度，F越大时，扰动越大，有利于保持种群多样性和全局搜索，且能够在更大范围内寻求有潜力的解，反之，对基向量造成的扰动越小，有利于局部搜索并提高收敛速度。研究表明，缩放因子F取值[0.5,1]时，算法得到的结果较好。本实施例选取F0＝0.6。
目标优化精度，可以根据研究的实际要求，本实例精度α＝0.00001。
迭代最大次数G，根据实际要求选取，本实例选取G＝100。
(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：
其中：tk表示期望输出；yk表示实际输出；p表示输入样本个数。
(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest，然后进入下一步骤。
(2.4)、更新惯性权重w，则更新粒子位置POP和速度V，进入步骤(2.5)，其中，惯性权重w的更新公式为：
w＝wmin+(wmax-wmin)*exp(-λ*(i/G)^2)
其中：i表示当前的迭代次数；
粒子位置更新公式为：
其中，表示k次迭代时粒子位置，表示k+1次迭代时粒子速度；
粒子速度更新公式为：
其中，表示k次迭代粒子速度，pbestid是D纬粒子个体最好位置，gbestid是是D纬群体最好位置，表示k次迭代时粒子位置；
(2.5)、计算适应度值fnew,与当前的适应度值fold比较，如果fnew<fold,则更新pbest、gbest；
(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子。
(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest。
(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于一定的精度值α，若不满足，G＝G+1,则转步骤(2.4),否则，继续步骤(2.9)。
(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值。
(2.10)、改进PSODE算法优化BP神经网络实现
通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数，过程如下：
(2.10.1)将PSODE算法的最优值映射到BP神经网络阈值和权值；
(2.10.2)训练BP神经网络，得到最终的BP神经网络预测模型；
(2.10.3)PSODE-BP神经网络使用的训练函数为trainlm；
(2.10.4)训练网络；
(2.10.5)得出训练的PM10预测值；
还可以判断该预测是否达到精度要求。
上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.基于PSODE-BP神经网络的空气质量预测方法，其特征在于该方法包括以下步骤：
1)、BP神经网络模型构建，过程如下：
(1.1)输入层和输出层节点数确定
输入层的节点数包括SO2浓度、NO2浓度、O3浓度、CO浓度、PM2.5浓度以及风向、风速、气压、气温、湿度；输出层的节点数包括PM10浓度；
(1.2)隐层节点数确定
采用如下公式来确定：
其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数；
(1.3)激励函数的确定
(1.4)粒子维数确定
D＝S1*S2+S2*S3+S2+S3
其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数；
2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：
(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POPi和DE粒子群Xi，粒子群边界上限Pmax和边界下限Pmin、飞行速度Vi、速度上限Vmax和速度下限Vmin、惯性因子w、最大进化次数i、学习因子c1、c2、w的最大wmax与最小值wmin、控制因子λ、交叉因子CR和变异概率F0、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中；
(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：
其中：tk表示期望输出；yk表示实际输出；p表示输入样本个数；
(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest；
(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)；
(2.5)、计算适应度值fnew,与当前的适应度值fold比较，如果fnew<fold,则更新pbest、gbest；
(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子；
(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest；
(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于设定的精度值α，若不满足，G加1,则转步骤(2.4),否则，继续步骤(2.9)；
(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值；
(2.10)、改进PSODE算法优化BP神经网络实现
通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数。
2.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：惯性权重w的更新公式为：
w＝wmin+(wmax-wmin)*exp(-λ*(i/G)^2)
其中：i表示当前的迭代次数。
3.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：粒子位置更新公式为：
其中，表示k次迭代时粒子位置，表示k+1次迭代时粒子速度。
4.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：粒子速度的更新公式为：
其中，表示k次迭代粒子速度，pbestid是d纬粒子个体最好位置，gbestid是是d纬群体最好位置，表示k次迭代时粒子位置。
5.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：步骤(2.10)具体是
初始化映射到BP神经网络的阈值和权值；
训练BP神经网络，得到最终的BP神经网络预测模型；
训练网络；
得到PM10浓度预测值。
6.根据权利要求5所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：PSODE-BP神经网络使用的训练函数为trainlm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276245.1A CN109063938B (zh) | 2018-10-30 | 2018-10-30 | 基于psode-bp神经网络的空气质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276245.1A CN109063938B (zh) | 2018-10-30 | 2018-10-30 | 基于psode-bp神经网络的空气质量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063938A true CN109063938A (zh) | 2018-12-21 |
| CN109063938B CN109063938B (zh) | 2021-11-26 |
Family
ID=64767823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811276245.1A Active CN109063938B (zh) | 2018-10-30 | 2018-10-30 | 基于psode-bp神经网络的空气质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063938B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
| CN109993719A (zh) * | 2019-03-20 | 2019-07-09 | 武汉大学 | 一种面向区域覆盖的多轨拼接成像优化方法 |
| CN110390420A (zh) * | 2019-06-06 | 2019-10-29 | 广州特种承压设备检测研究院 | 基于粒子群优化人工神经网络的过热器结渣预测方法 |
| 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 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111930844A (zh) * | 2020-08-11 | 2020-11-13 | 罗忠明 | 基于区块链和人工智能的金融预测系统 |
| CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN113051806A (zh) * | 2021-03-31 | 2021-06-29 | 浙江工业大学 | 一种基于aqpso-rbf神经网络的水质bod测量方法 |
| CN113095477A (zh) * | 2021-03-17 | 2021-07-09 | 西安理工大学 | 基于de-bp神经网络的风电功率预测方法 |
| CN113610297A (zh) * | 2021-08-06 | 2021-11-05 | 浙江工业大学之江学院 | 空气质量预测方法、装置、设备及存储介质 |
| CN113657591A (zh) * | 2021-07-26 | 2021-11-16 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
| CN114707743A (zh) * | 2022-04-15 | 2022-07-05 | 西安邮电大学 | 基于自适应门控循环神经网络的空气质量预测方法及系统 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140025701A (ko) * | 2012-08-22 | 2014-03-05 | 국민대학교산학협력단 | 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 방법 |
| CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
| CN106096246A (zh) * | 2016-06-06 | 2016-11-09 | 华北电力大学（保定） | 基于pm2.5和pm10的气溶胶光学厚度估计方法 |
| CN106126909A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于无迹卡尔曼神经网络的pm2.5浓度预测方法 |
| WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| CN106777863A (zh) * | 2016-11-09 | 2017-05-31 | 北京工业大学 | 基于改进粒子群的t‑s模糊神经网络室内空气质量评价系统 |
| US20180060665A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
-
2018
- 2018-10-30 CN CN201811276245.1A patent/CN109063938B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140025701A (ko) * | 2012-08-22 | 2014-03-05 | 국민대학교산학협력단 | 동적신경망을 이용한 이산화탄소 농도 기반 재실인원 추정 방법 |
| WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
| CN106096246A (zh) * | 2016-06-06 | 2016-11-09 | 华北电力大学（保定） | 基于pm2.5和pm10的气溶胶光学厚度估计方法 |
| CN106126909A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于无迹卡尔曼神经网络的pm2.5浓度预测方法 |
| US20180060665A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
| CN106777863A (zh) * | 2016-11-09 | 2017-05-31 | 北京工业大学 | 基于改进粒子群的t‑s模糊神经网络室内空气质量评价系统 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN Y: ""Prediction algorithm of PM2.5 mass concentration based on adaptive BP neural network"", 《COMPUTING》 * |
| 付亚丽 等: ""基于IPSO-ELM算法的空气质量预测"", 《环境科学与技术》 * |
| 张伟: ""基于C-PSODE算法和BP神经网络的臭氧浓度预测研究"", 《中国优秀硕士学位论文全文数据库（工程科技Ⅰ辑）》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
| CN109993719B (zh) * | 2019-03-20 | 2022-01-18 | 武汉大学 | 一种面向区域覆盖的多轨拼接成像优化方法 |
| CN109993719A (zh) * | 2019-03-20 | 2019-07-09 | 武汉大学 | 一种面向区域覆盖的多轨拼接成像优化方法 |
| CN110390420A (zh) * | 2019-06-06 | 2019-10-29 | 广州特种承压设备检测研究院 | 基于粒子群优化人工神经网络的过热器结渣预测方法 |
| 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 |
| CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测系统 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111210082B (zh) * | 2020-01-13 | 2023-09-19 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111930844A (zh) * | 2020-08-11 | 2020-11-13 | 罗忠明 | 基于区块链和人工智能的金融预测系统 |
| CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN112530529B (zh) * | 2020-12-09 | 2024-01-26 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN113095477A (zh) * | 2021-03-17 | 2021-07-09 | 西安理工大学 | 基于de-bp神经网络的风电功率预测方法 |
| CN113095477B (zh) * | 2021-03-17 | 2024-02-09 | 西安理工大学 | 基于de-bp神经网络的风电功率预测方法 |
| CN113051806B (zh) * | 2021-03-31 | 2023-06-27 | 浙江工业大学 | 一种基于aqpso-rbf神经网络的水质bod测量方法 |
| CN113051806A (zh) * | 2021-03-31 | 2021-06-29 | 浙江工业大学 | 一种基于aqpso-rbf神经网络的水质bod测量方法 |
| CN113657591A (zh) * | 2021-07-26 | 2021-11-16 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
| CN113657591B (zh) * | 2021-07-26 | 2024-08-20 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
| CN113610297A (zh) * | 2021-08-06 | 2021-11-05 | 浙江工业大学之江学院 | 空气质量预测方法、装置、设备及存储介质 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
| CN114707743A (zh) * | 2022-04-15 | 2022-07-05 | 西安邮电大学 | 基于自适应门控循环神经网络的空气质量预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063938B (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063938B (zh) | 基于psode-bp神经网络的空气质量预测方法 | |
| US20220214322A1 (en) | Air pollutants concentration forecasting method and apparatus and storage medium | |
| CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
| CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
| CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
| CN110020712A (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
| CN117350175B (zh) | 人工智能生态因子空气环境质量监测方法及系统 | |
| Zhou et al. | Prediction of PM2. 5 concentration based on recurrent fuzzy neural network | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN118332937B (zh) | 一种新能源气象大模型构建方法、装置及功率预测方法 | |
| CN108694474A (zh) | 基于粒子群的模糊神经网络池塘溶解氧预测 | |
| CN116128168A (zh) | 基于因果扩充卷积和Autoformer的气象预测法 | |
| Liu et al. | A survey of artificial bee colony algorithm | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
| CN116862043A (zh) | 一种基于多层前馈网络的负荷预测方法及系统 | |
| CN111340291A (zh) | 一种基于云计算技术的中长期电力负荷组合预测系统及方法 | |
| CN116187561A (zh) | 一种基于空间时域卷积网络的pm10浓度精细化预测方法 | |
| CN115423149A (zh) | 一种能源互联网负荷预测和噪声等级估计的增量迭代聚类方法 | |
| Ye et al. | An improved bat algorithm with velocity weight and curve decreasing | |
| Wang et al. | Improved Particle Swarm Optimization Algorithm Based on Gaussian-Grid Search Method. | |
| Pan et al. | Air visibility prediction based on multiple models |
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 |