CN109146161A - 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 - Google Patents
融合栈式自编码和支持向量回归的pm2.5浓度预测方法 Download PDFInfo
- Publication number
- CN109146161A CN109146161A CN201810889821.3A CN201810889821A CN109146161A CN 109146161 A CN109146161 A CN 109146161A CN 201810889821 A CN201810889821 A CN 201810889821A CN 109146161 A CN109146161 A CN 109146161A
- Authority
- CN
- China
- Prior art keywords
- concentration
- model
- stack
- svr
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了融合栈式自编码和支持向量回归的PM2.5浓度预测方法。步骤为，选取相关性较强的影响因素作为PM2.5浓度预测模型的自变量，连续收集N个小时的所选自变量和对应的PM2.5浓度数据，构建训练集；构建包含K个隐层的栈式自编码器的深度学习网络模型，将训练集输入该模型进行训练，得到各自变量的权重；将深度学习网络模型输出的特征值作为输入向量训练SVR模型，得到SVR模型的输出；获取测试集，利用预测模型对测试样本进行预测，并计算预测结果的精度。本发明兼具SAE提取数据集特征的优势和SVR优秀的预测能力，预测性能和精度优于应用广泛的ANN算法和SVR算法。
Description
技术领域
本发明属于空气质量预测领域，特别涉及了一种PM2.5浓度预测方法。
背景技术
近些年来，随着全球各地空气质量严重下降，为了更好地预警雾霾天气的发生，国内外的一些学者和企业机构也开始注重空气中细微颗粒物的有效预测研究。
目前常用的空气质量预报技术主要分为两类：统计预报和数值预报。其中统计预报一般是基于历史数据与气象条件之间关联模型，然后利用未来一段时间气象条件以及建立的关联模型预测未来空气质量。这种方法对输入数据要求较低，但预测结果一般是点位空气质量，而无法反应区域质量，且无法解释污染的来源和原因。数值预报是依据大气动力学理论，结合对大气物理和化学变化的理解，建立大气污染物扩散模型，依靠计算机系统预报大气中污染物的变化情况。这种方法预测精度很高，但是其中涉及的因素以及模型建立过程比较复杂。目前一般采用CMAQ/CAMx进行数值预报，其中又以模型CMAQ应用最为广泛。CMAQ是美国国家环境保护局研制的第三代空气质量预报和评估系统，该系统能预报区域所有格点空气质量，能对污染成因进行诊断。但是污染源排放数据难以获取，数据格式参差不齐。欧洲自主研发的预报方法比如ADMS模型，该模型通过常规气象要素定义边界层，让污染物浓度的计算更加准确，可以更好地解释大气扩散过程。我国中科院大气物理研究所自己研发的嵌套网格空气质量预报模式系统(NAQPMS)，是在吸收了国际上先进技术的基础上，结合我国自身各地区的地理条件和污染物排放情况所建立的数值预报模式系统。
很多研究学者对单站点的统计模型预报做了大量的研究，其中统计预报模型主要依靠对历史空气质量、气象数据的分析处理，从而外推得出对未来空气质量的预报结果。很多研究者采用传统的统计学方法或者机器学习方法进行预测，统计模型能够确立输出变量和输入变量之间的关系，而不需要解释它们关系的缘由。其中，多元线性回归模型以及人工神经网络模型已经应用到在空气细微颗粒物浓度预测领域，结果比较理想。虽然多元线性回归模型应用广泛，但是对某些非线性的关系难以预测。
例如，P Perez等学者利用人工神经网络对细微颗粒PM2.5浓度进行提前预报，其主要是利用历史PM2.5浓度数据训练网络模型，并与用时间序列和线性回归模型进行效果对比，结果表明神经网络的预测效果比后两者略优，不过预测效果都会随时间的增长而变差。VR Prybutok等人比较了ARIMA回归模型和神经网络模型对每日臭氧浓度预测结果，结果表明利用神经网络模型优于ARMIA模型。Grivas等人用神经网络模型预测PM10浓度，使用遗传算法对输入特征选择进行优化，结果比多元线性回归模型更优越，计算结果的精度较理想。Mok等人采用BP神经网络对澳门短期SO2的浓度进行预测，结果表明BP神经网络在训练数据有限的情况下能保持较高的精度。在国内，赵宏等利用遗传算法和神经网络相结合对空气质量进行预报，其结果优于传统逐步回归模型。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供融合栈式自编码和支持向量回归的PM2.5浓度预测方法，克服传统ANN模型中非凸优化问题中不能超越一到两个隐藏层，从而无法通过深度神经网络学习以得到更高准确度的难题。
为了实现上述技术目的，本发明的技术方案为：
融合栈式自编码和支持向量回归的PM2.5浓度预测方法，包括以下步骤：
(1)对于影响空气中PM2.5浓度的相关因素，采用皮尔逊相关系数和斯皮尔曼等级相关系数分析各个因素与PM2.5浓度之间的关系，选取相关性大于预设阈值的因素作为PM2.5浓度预测模型的自变量，连续收集N个小时的所选自变量和对应的PM2.5浓度数据，构建训练集；
(2)构建包含K个隐层的栈式自编码器的深度学习网络模型，将步骤(1)构建的训练集输入该模型进行训练，得到各自变量的权重；其中K为大于等于1的整数；
(3)将步骤(2)中深度学习网络模型输出的特征值作为输入向量训练SVR模型，得到SVR模型的输出；
(4)获取测试集，利用训练完成的预测模型对测试样本进行预测，采用空气质量预测准确率标准计算预测结果的精度。
进一步地，步骤(1)的具体过程如下：
(a)计算各个影响因素与PM2.5浓度之间的皮尔逊相关系数；对样本中的n个原始数据Xi、Yi，皮尔逊相关系数Rp的定义如下：
其中，为样本均值；
(b)计算各个影响因素与PM2.5浓度之间的斯皮尔曼等级相关系数；将n个原始数据Xi、Yi转换成等级数据xi、yi，即将数据按大小排序，按照排序的位置依次赋予等级系数，皮尔逊相关系数Rs的定义如下：
其中，di＝xi-yi，表示两个观测等级之差；
(c)选取皮尔逊相关系数的绝对值|Rp|＞0.4或皮尔逊相关系数|Rs|＞0.4的影响因素作为预测模型的自变量，选择连续时间段内的自变量和PM2.5浓度数据作为训练集中的输入变量和输出变量；
(d)采用均值方差归一化方法对输入变量和输出变量进行预处理。
进一步地，在步骤(1)中，影响空气中PM2.5浓度的相关因素包括PM10浓度、CO浓度、NO2浓度、O3浓度、SO2浓度、温度、气压、降水量、湿度和风速。
进一步地，在步骤(2)中，逐层训练包含K个隐层的栈式自编码器，即为训练K个稀疏自编码器，将前一个稀疏自编码器的输出作为后一个稀疏自编码器的输入，第一个稀疏自编码器的输入为步骤(1)中训练集的输入变量。
进一步地，在步骤(3)中，所述SVR模型的核函数采用高斯核函数，对SVR模型的惩罚因子C和高斯核函数的核宽度g进行参数优化，采用多重交叉验证法选取均方差误差最小的参数作为最优参数。
采用上述技术方案带来的有益效果：
(1)栈式自编码在提取数据集的特征方面表现卓越，而支持向量回归在时间序列上表现出优秀预测性能，而本发明结合了上述两者的优势；
(2)从试验结果来看，相同数据集下本发明的预测性能和准确率要优于ANN模型和SVR模型。
附图说明
图1是本发明的基本流程图；
图2是本发明预测M小时后PM2.5浓度时输入特征值与输出之间的对应关系图；
图3是本发明融中SAE-SVR模型示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
在人工智能领域，ANN优化算法是性能优异且运用最广的算法，但它在非凸优化问题上始终不能超越一到两层的隐层，致使不能学习深度网络已达到更高的精度。为了克服这一问题引入包含多个稀疏自编码器作为隐藏层的SAE以提取数据集特征，再通过SVR模型提升预测性能。基于此，本发明提出了一种融合栈式自编码和支持向量回归的PM2.5浓度预测方法。
如图1所示，融合栈式自编码和支持向量回归的PM2.5浓度预测方法，包括以下步骤：
1、对影响空气中与PM2.5浓度的相关因素，包括PM10浓度，CO浓度、NO2浓度、O3浓度、SO2浓度、温度、气压、降水量、湿度、风速等进行分析，依据探究序列变量相关性的两个重要指标，皮尔逊(Pearson)相关系数和斯皮尔曼等级(Spearman)相关系数,分析各个因素与PM2.5浓度之间的关系，选取相关性较强的因素作为预测模型的自变量，包括CO浓度、PM10浓度、SO2浓度、NO2浓度，温度，气压，风速、湿度等。连续收集N个小时的所选自变量和该时间的PM2.5浓度对应的数据，构建训练集；N为正整数，具体如下：
(1)主要依据探究序列变量相关性的两个重要指标，皮尔逊(Pearson)相关系数和斯皮尔曼等级(Spearman)相关系数进行分析。
(2)依次计算各个因素，包括PM10浓度，CO浓度、NO2浓度、O3浓度、SO2浓度、温度、气压、降水量、湿度、风速等与PM2.5浓度之间的皮尔逊(Pearson)相关系数。它利用单调方程评价两个统计变量的相关性，若对样本容量为n的样本中n个原始数据Xi、Yi，Pearson相关系数Rp的定义如下：
其中，为样本均值。
(3)在Pearson相关系数描述变量直接的相关系数时，需要两个变量呈线性相关且数据呈正态分布。对于那些不满足正态分布的两个变量，使用斯皮尔曼等级(Spearman)相关系数，用于比较相关因素与PM2.5浓度之间依赖性的非参数指标。若对样本容量为n的样本，n个原始数据Xi、Yi被转换成等级数据xi、yi，即将数据按大小排序，按照排序的位置依次赋予等级系数，Spearman相关系数Rs定义如下：
其中，di＝xi-yi，表示两个观测等级之差，n为等级个数。
(4)这两个系数都是无量纲数，其值在-1到1之间，相关系数绝对值越大表明相关性越强，反之相关性越弱，若相关系数大于0，则是正相关，反之成负相关。对上述两步得到的各个因素对应的两个相关系数进行分析，选取相关性较强的几个因素为预测模型的自变量。本发明计算与PM2.5浓度所得的皮尔逊相关系数或斯皮尔曼相关系数的绝对值大于0.4的变量，包括CO浓度、PM10浓度、SO2浓度、NO2浓度，温度，气压，风速、湿度等。如图2所示，取SAE-SVR深度模型的输入，输出变量，构成输入变量矩阵为X＝(xi)n×P，P＝N×VA，VA为任一时刻选择的影响因子数量，xi为输入变量矩阵X的元素；输出变量为N个时刻中各时刻M小时后当前城市的PM2.5浓度，构成输出变量矩阵为Y＝(yi)n×1，yi为输出变量矩阵Y的元素；采用均值方差归一化方法对输入、输出变量矩阵做预处理。
2、构建包括输入层、K个隐层以及输出层的深度学习网络模型。该模型由包含K个隐层的栈式自编码器构成。分别将步骤1中得到的训练集输入训练该模型得到各个变量的权重。其中K为大于等于1的正整数，具体如下：
(1)该模型由包含K个隐层的栈式自编码器构成的深度学习网络模型。
(2)逐层训练包含K个隐层的栈式自编码器，即为训练K个稀疏自编码器，将前一个稀疏自编码器的输出作为后一个稀疏自编码器的输入，第一个稀疏自编码器的输入包括N个小时的CO浓度、PM10浓度、SO2浓度、NO2浓度，温度，气压，风速、湿度等。
3、取步骤2中模型输出的特征值作为输入向量训练SVR模型，得到SVM输出，具体如下：
将步骤2中模型输出的特征值作为输入向量训练SVR模型。其中关于几个参数的选取。首先核函数采用高斯核函数：
k(x,x*)＝exp(-g||x-x*||2)
而对于惩罚因子C和高斯核函数的核宽度g，采用多重交叉验证法来验证C和g分别用网络法在一定范围内的取值，选取均方误差最小时的参数作为最优参数。
最终的SAE-SVR模型如图3所示。
4、获取测试集，包括CO浓度、PM10浓度、SO2浓度、NO2浓度，温度，气压，风速、湿度等，利用训练完成的模型对测试样本进行预测。得到预测结果后采用空气质量预测准确率标准计算精度并与其他算法模型结果进行比较。
本发明融合栈式自编码(SAE)和支持向量回归(SVR)的PM2.5浓度预测方法，各个步骤效果之间存在互补，兼具SAE提取数据集特征的优势和SVR优秀的预测能力，从实验结果上看预测性能和精度也优于应用较为广泛的ANN算法和SVR算法，在给定一定量历史相关数据的情况下能够较为准确地预测未来PM2.5浓度的变化。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (5)
1.融合栈式自编码和支持向量回归的PM2.5浓度预测方法，其特征在于，包括以下步骤：
(1)对于影响空气中PM2.5浓度的相关因素，采用皮尔逊相关系数和斯皮尔曼等级相关系数分析各个因素与PM2.5浓度之间的关系，选取相关性大于预设阈值的因素作为PM2.5浓度预测模型的自变量，连续收集N个小时的所选自变量和对应的PM2.5浓度数据，构建训练集；
(2)构建包含K个隐层的栈式自编码器的深度学习网络模型，将步骤(1)构建的训练集输入该模型进行训练，得到各自变量的权重；其中K为大于等于1的整数；
(3)将步骤(2)中深度学习网络模型输出的特征值作为输入向量训练SVR模型，得到SVR模型的输出；
(4)获取测试集，利用训练完成的预测模型对测试样本进行预测，采用空气质量预测准确率标准计算预测结果的精度。
2.根据权利要求1所述融合栈式自编码和支持向量回归的PM2.5浓度预测方法，其特征在于，步骤(1)的具体过程如下：
(a)计算各个影响因素与PM2.5浓度之间的皮尔逊相关系数；对样本中的n个原始数据Xi、Yi，皮尔逊相关系数Rp的定义如下：
其中，为样本均值；
(b)计算各个影响因素与PM2.5浓度之间的斯皮尔曼等级相关系数；将n个原始数据Xi、Yi转换成等级数据xi、yi，即将数据按大小排序，按照排序的位置依次赋予等级系数，皮尔逊相关系数Rs的定义如下：
其中，di＝xi-yi，表示两个观测等级之差；
(c)选取皮尔逊相关系数的绝对值|Rp|＞0.4或皮尔逊相关系数|Rs|＞0.4的影响因素作为预测模型的自变量，选择连续时间段内的自变量和PM2.5浓度数据作为训练集中的输入变量和输出变量；
(d)采用均值方差归一化方法对输入变量和输出变量进行预处理。
3.根据权利要求1所述融合栈式自编码和支持向量回归的PM2.5浓度预测方法，其特征在于，在步骤(1)中，影响空气中PM2.5浓度的相关因素包括PM10浓度、CO浓度、NO2浓度、O3浓度、SO2浓度、温度、气压、降水量、湿度和风速。
4.根据权利要求1所述融合栈式自编码和支持向量回归的PM2.5浓度预测方法，其特征在于，在步骤(2)中，逐层训练包含K个隐层的栈式自编码器，即为训练K个稀疏自编码器，将前一个稀疏自编码器的输出作为后一个稀疏自编码器的输入，第一个稀疏自编码器的输入为步骤(1)中训练集的输入变量。
5.根据权利要求1所述融合栈式自编码和支持向量回归的PM2.5浓度预测方法，其特征在于，在步骤(3)中，所述SVR模型的核函数采用高斯核函数，对SVR模型的惩罚因子C和高斯核函数的核宽度g进行参数优化，采用多重交叉验证法选取均方差误差最小的参数作为最优参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810889821.3A CN109146161A (zh) | 2018-08-07 | 2018-08-07 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810889821.3A CN109146161A (zh) | 2018-08-07 | 2018-08-07 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146161A true CN109146161A (zh) | 2019-01-04 |
Family
ID=64792159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810889821.3A Pending CN109146161A (zh) | 2018-08-07 | 2018-08-07 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146161A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946209A (zh) * | 2019-03-13 | 2019-06-28 | 北京英视睿达科技有限公司 | 一种大气污染报警的方法及装置 |
| CN110135653A (zh) * | 2019-05-24 | 2019-08-16 | 云南师范大学 | 一种基于BPANN与ε-SVR混合模型的PM2.5浓度预测方法 |
| CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
| CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
| CN111289414A (zh) * | 2020-03-12 | 2020-06-16 | 徐州工业职业技术学院 | Pm2.5污染监测与预测方法 |
| CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
| CN111724074A (zh) * | 2020-06-23 | 2020-09-29 | 华中科技大学 | 一种基于深度学习的路面病变检测预警方法及系统 |
| CN111914477A (zh) * | 2020-06-23 | 2020-11-10 | 宁波大学 | 一种基于sae的脱丁烷塔底部产品丁烷浓度实时监测方法 |
| 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 |
| CN112906936A (zh) * | 2021-01-07 | 2021-06-04 | 中地大海洋(广州)科学技术研究院有限公司 | 基于集成神经网络的河流污染物通量智能计算与预测方法 |
| CN113158535A (zh) * | 2020-12-24 | 2021-07-23 | 湖南科技大学 | 一种基于深度学习的风电机组主轴承温度预测方法 |
| CN113253125A (zh) * | 2021-05-19 | 2021-08-13 | 北方工业大学 | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 |
| CN114611416A (zh) * | 2022-05-12 | 2022-06-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 导弹非线性非定常气动特性ls-svm建模方法 |
| US20220268475A1 (en) * | 2021-02-25 | 2022-08-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
| CN116884516A (zh) * | 2023-09-05 | 2023-10-13 | 河南科技学院 | 一种基于svm-ukf数据融合的pm2.5浓度预测方法 |
| EP4195091A4 (en) * | 2020-09-11 | 2024-04-03 | Siemens Ltd China | METHOD AND APPARATUS FOR PREDICTING A MODEL-BASED ENVIRONMENT AVAILABLE ON A TARGET, PROGRAM AND ELECTRONIC DEVICE |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008278A (zh) * | 2014-05-14 | 2014-08-27 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 |
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
-
2018
- 2018-08-07 CN CN201810889821.3A patent/CN109146161A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008278A (zh) * | 2014-05-14 | 2014-08-27 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 |
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘小兵: ""基于支持向量回归机的PM2.5浓度预测模型分析与研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946209A (zh) * | 2019-03-13 | 2019-06-28 | 北京英视睿达科技有限公司 | 一种大气污染报警的方法及装置 |
| CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
| CN110210740B (zh) * | 2019-05-22 | 2023-09-15 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
| CN110135653A (zh) * | 2019-05-24 | 2019-08-16 | 云南师范大学 | 一种基于BPANN与ε-SVR混合模型的PM2.5浓度预测方法 |
| CN110135653B (zh) * | 2019-05-24 | 2022-03-04 | 云南师范大学 | 一种基于BPANN与ε-SVR混合模型的PM2.5浓度预测方法 |
| CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
| CN111289414A (zh) * | 2020-03-12 | 2020-06-16 | 徐州工业职业技术学院 | Pm2.5污染监测与预测方法 |
| CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
| CN111724074A (zh) * | 2020-06-23 | 2020-09-29 | 华中科技大学 | 一种基于深度学习的路面病变检测预警方法及系统 |
| CN111724074B (zh) * | 2020-06-23 | 2023-10-27 | 华中科技大学 | 一种基于深度学习的路面病变检测预警方法及系统 |
| CN111914477A (zh) * | 2020-06-23 | 2020-11-10 | 宁波大学 | 一种基于sae的脱丁烷塔底部产品丁烷浓度实时监测方法 |
| CN111914477B (zh) * | 2020-06-23 | 2022-04-19 | 宁波大学 | 一种基于sae的脱丁烷塔底部产品丁烷浓度实时监测方法 |
| EP4195091A4 (en) * | 2020-09-11 | 2024-04-03 | Siemens Ltd China | METHOD AND APPARATUS FOR PREDICTING A MODEL-BASED ENVIRONMENT AVAILABLE ON A TARGET, PROGRAM AND ELECTRONIC DEVICE |
| 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 |
| CN113158535A (zh) * | 2020-12-24 | 2021-07-23 | 湖南科技大学 | 一种基于深度学习的风电机组主轴承温度预测方法 |
| CN112906936A (zh) * | 2021-01-07 | 2021-06-04 | 中地大海洋(广州)科学技术研究院有限公司 | 基于集成神经网络的河流污染物通量智能计算与预测方法 |
| US20220268475A1 (en) * | 2021-02-25 | 2022-08-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
| US11480358B2 (en) * | 2021-02-25 | 2022-10-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
| CN113253125A (zh) * | 2021-05-19 | 2021-08-13 | 北方工业大学 | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 |
| CN114611416B (zh) * | 2022-05-12 | 2022-08-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 导弹非线性非定常气动特性ls-svm建模方法 |
| CN114611416A (zh) * | 2022-05-12 | 2022-06-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 导弹非线性非定常气动特性ls-svm建模方法 |
| CN116884516A (zh) * | 2023-09-05 | 2023-10-13 | 河南科技学院 | 一种基于svm-ukf数据融合的pm2.5浓度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146161A (zh) | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 | |
| Bento et al. | Ocean wave energy forecasting using optimised deep learning neural networks | |
| CN104463349A (zh) | 一种基于多时段综合相似日的光伏发电功率预测方法 | |
| CN106022528B (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
| CN106598917B (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
| CN105354620A (zh) | 一种风机发电功率的预测方法 | |
| CN109146063B (zh) | 一种基于重要点分割的多分段短期负荷预测方法 | |
| Zhang et al. | Prediction of urban pm 2.5 concentration based on wavelet neural network | |
| CN108964023A (zh) | 一种用于电网的母线电压态势短期预测方法及系统 | |
| CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
| CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
| CN109948839A (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
| Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN110222910A (zh) | 一种有源配电网态势预测方法及预测系统 | |
| CN112233381B (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与系统 | |
| CN111008725B (zh) | 一种用于短期风电功率预测的气象因素波动特征提取方法 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN115829150A (zh) | 一种积水预测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |