CN109447373A - 基于python平台的LSTM神经网络来预测雾霾方法 - Google Patents
基于python平台的LSTM神经网络来预测雾霾方法 Download PDFInfo
- Publication number
- CN109447373A CN109447373A CN201811367437.3A CN201811367437A CN109447373A CN 109447373 A CN109447373 A CN 109447373A CN 201811367437 A CN201811367437 A CN 201811367437A CN 109447373 A CN109447373 A CN 109447373A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- lstm neural
- haze
- lstm
- 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
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical 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
本发明是一种基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,步骤包含:步骤1、获取历史天气数据;步骤2、历史天气数据的预处理;步骤3、将预处理完的历史天气数据集按照比例分为训练数据和测试数据;步骤4、使用python平台构造LSTM神经网络;步骤5、使用训练数据集训练LSTM神经网络;步骤6、使用训练完成的LSTM神经网络预测雾霾。本发明的主要目的在于提高雾霾预测的精度,在python平台搭建LSTM神经网络模型,只需选择超参、损失函数以及梯度下降算法,简便性和实用性都极其强。
Description
技术领域
本发明属于环境工程于检测技术领域,更为具体地讲,在python平台设计一种基于LSTM神经网络的雾霾预测方法。
背景技术
随着社会的快速发展,环境问题日益严重,现如今,中国已经将雾霾作为灾难性气象进行预警预报,称为“雾霾天气”。美国环保署2009年发布《关于空气颗粒物综合科学评估报告》指出,有足够的科学研究结果证明了大气细粒子能吸附大量有致癌物质和基因毒性诱变物质,给人体健康带来不可忽视的负面影响,包括提高死亡率、使慢性病加剧、使呼吸系统及心脏系统疾病恶化,改变肺功能及结构、影响生殖能力、改变人体的免疫结构等。
目前国内对于雾霾预测研究有着诸多的方法,主要趋势在于结合深度学习技术实现有效预测雾霾。
雾霾形成原因与气温,风速,降雪降雨量等气候因素有关,它们之间呈现一种非线性关系,目前常规的线性分析预测无法掌握出其中的变化规律以及变化特征。
传统的神经网络,比如支持向量机,RNN循环神经网络对于多特征输入的预测问题效果很差,特别RNN循环神经网络可能产生梯度消失,从而影响预测的准确新。
LSTM神经网络,能够解决RNN循环神经网络的梯度消失问题,相对于传统神经网络,可以很好地解决多特征输入的预测问题,同时具备其他深度学习方法的特点,只需建立LSTM神经网络,再选择基本超参,网络便可以自学习出正确的网络模型。
由于Python语言的简洁、易读以及可扩展性,Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表,以及调试各种深度学习中的神经网络。
发明内容
本发明的目的在于突破原有技术的不足,提供一种基于LSTM神经网络的雾霾预测方法,通过在python平台建立LSTM神经网络,输入训练样本,让网络自学习出一个能有效预测雾霾的网络模型。
为了达到以上目的,本发明通过以下技术方案实现:
一种基于python平台的LSTM神经网络来预测雾霾方法,步骤包含:
步骤1、获取历史天气数据;
步骤2、历史天气数据的预处理;
步骤3、将预处理完的历史天气数据集按照比例分为训练数据和测试数据;
步骤4、使用python平台构造LSTM神经网络;
步骤5、使用训练数据集训练LSTM神经网络;
步骤6、使用训练完成的LSTM神经网络预测雾霾。
优选地,历史天气数据包括每小时的温度,露点温度,压力,风速,风向,降雨量,降雪量,雾霾浓度数值。
优选地,所述步骤2包含:
步骤2.1、将数据进行清洗,数据集中分散的NA值用0标记,将不是输入特征的列删除,比如时间和风向,其中NA值是代表有些数据在某一时刻没被收集到;
步骤2.2、对所有数据进行归一化处理;
按照如下公式将所有数据归一化到0~1之间;
其中,X'表示归一化后的数据,Xmax表示数据的最大值,Xmin表示数据的最小值。
优选地,所述步骤4在python平台构建的LSTM神经网络模型包括:一个输入层、一个LSTM细胞层、一个输出层;
所述LSTM细胞层的内部设置有若干门限,包含遗忘门ft、输入门it、输出门ot;
并且LSTM递归循环神经网络的前向传播函数为:
it=σ(WxiXt+Whiht-1+bi)
ft=σ(WxfXt+Whfht-1+bf)
ct=ft*ct-1+tanh(WxcXt+Whcht-1+bc)
ot=σ(WxoXt+Whoht-1+bo)
其中,Wxi为输入层到输入门之间的权重;Whi为上一时刻隐藏层与输入门之间的权重;Wxf为输入层到遗忘门之间的权重;Whf为上一时刻隐藏层与遗忘门之间的权重;Wxc为输入层到状态细胞之间的权重;Whc为上一时刻隐藏层与状态细胞之间的权重;Wxo为输入层到输出门之间的权重;Who为上一时刻隐藏层与输出门之间的权重;σ表示sigma函数;Xt表示输入;ht-1表示上一时刻隐藏层的输出;bi表示输入门偏置;bf表示遗忘门偏置;ct表示状态细胞输出;bc表示状态细胞偏置;bo表示输出门偏置。
优选地,所述门限数值0表示禁止所有信息通过,数值1表示允许所有信息通过。
优选地,超参的选择包括学习速率、训练次数、神经元个数;
其中,学习速率选择为0~1之间;训练次数选择为任意正整数;神经元个数选择为任意正整数。
优选地,模型中使用平均绝对误差(MAE)损失函数来更新模型参数,表示式如下所示
其中,n表示输出向量维度;yi表示训练数据真实值;yi'表示训练数据预测值。
优选地,采用Adam梯度下降算法更新LSTM模型中的权重和偏置。
优选地,所述神经网络输入层的输入数据为归一化之后的温度,露点温度,压力,风速,降雨量和降雪量数据,神经网络输出层的输出数据为归一化之后的雾霾浓度值。
本发明了一种使用基于python平台的LSTM神经网络来预测雾霾的方法,利用采集得到的大数据,通过提取据特征来训练LSTM神经网络模型,从而实现雾霾天气的预测,主要目的在于提高雾霾预测的精度。在python平台搭建LSTM神经网络模型,只需选择超参、损失函数以及梯度下降算法,简便性和实用性都极其强。
附图说明
图1是LSTM细胞层结构示意图;
图2是本发明一种使用基于python平台的LSTM神经网络来预测雾霾的方法流程图;
图3是模型在测试集上的预测结果。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合附图和具体实施例对本发明做进一步详细的说明,但不以任何方式限制本发明的范围。
如附图2所示,本发明使用基于python平台的LSTM神经网络来预测雾霾的方法包括以下步骤:
步骤1、获取了北京市2010年1月1日至2014年12月31日的历史天气数据,数据信息包括每小时的温度,露点温度,压力,风速,风向,降雨量,降雪量,雾霾浓度数值,接着将数据进行清洗,数据集中分散的NA值用0标记,将不是输入特征的列删除,比如时间和风向,其中NA值是因为有些数据在某一时刻没被收集到,共计43824*7个数据,保证了LSTM神经网络所需数据量。
步骤2、数据预处理,按照如下公式将数据归一化到0~1之间;
其中,X'表示归一化后的数据,Xmax表示数据的最大值,Xmin表示数据的最小值。
步骤3、将预处理完成后的数据中,2010年的数据作为训练数据,剩余四年的数据作为测试数据。
步骤4、在python平台构建LSTM神经网络,网络模型主要包括:一个输入层、一个LSTM细胞层、一个输出层;
如附图1所示,所述LSTM细胞层的内部设置有三个门限,包含遗忘门ft、输入门it、输出门ot;这三个门限描述了每个信息通过各个门限的程度,0表示禁止所有信息通过,1表示允许所有信息通过;并且LSTM递归循环神经网络的前向传播函数由这三个门限组成:
it=σ(WxtXt+Whtht-1+bt)
ft=σ(WxfXt+Whfht-1+bf)
ct=ft*ct-1+tanh(WxcXt+Whcht-1+bc)
ot=σ(WxoXt+Whoht-1+bo)
其中,Wxi为输入层到输入门之间的权重;Whi为上一时刻隐藏层与输入门之间的权重;Wxf为输入层到遗忘门之间的权重;Whf为上一时刻隐藏层与遗忘门之间的权重;Wxc为输入层到状态细胞之间的权重;Whc为上一时刻隐藏层与状态细胞之间的权重;Wxo为输入层到输出门之间的权重;Who为上一时刻隐藏层与输出门之间的权重;σ表示sigma函数;Xt表示输入;ht-1表示上一时刻隐藏层的输出;bi表示输入门偏置;bf表示遗忘门偏置;ct表示状态细胞输出;bc表示状态细胞偏置;bo表示输出门偏置;状态细胞是LSTM神经细胞的一部分。
超参选择时将学习速率选择为0.001,训练次数选择为50,神经元个数选择为50;并且采用Adam梯度下降算法更新LSTM模型中的权重和偏置。
该网络模型中使用平均绝对误差(MAE)损失函数,表示式如下所示
其中,n表示输出向量维度;yi表示训练数据真实值;yi'表示训练数据预测值。
神经网络输入层的输入数据为归一化之后的温度,露点温度,压力,风速,降雨量和降雪量数据,神经网络输出层的输出数据为归一化之后的雾霾浓度值。
步骤5、使用训练数据集训练LSTM神经网络,并将训练好的模型进行保存。
步骤6、使用保存好的模型,对测试数据集进行预测。得到的预测结果如图3所示,其中灰色线表示模型预测值,黑色线表示雾霾真实值,并且图中显示的真实值与预测值之间的误差很小,这说明该模型可靠。
尽管本发明的内容已经通过上述优选实例作了详细介绍,但应当认识到上述的描述不应被认为是本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求。
Claims (9)
1.一种基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,步骤包含:
步骤1、获取历史天气数据;
步骤2、历史天气数据的预处理;
步骤3、将预处理完的历史天气数据集按照比例分为训练数据和测试数据;
步骤4、使用python平台构造LSTM神经网络;
步骤5、使用训练数据集训练LSTM神经网络;
步骤6、使用训练完成的LSTM神经网络预测雾霾。
2.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,历史天气数据包括每小时的温度,露点温度,压力,风速,风向,降雨量,降雪量,雾霾浓度数值。
3.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,所述步骤2包含:
步骤2.1、将数据进行清洗,数据集中分散的NA值用0标记,将不是输入特征的列删除,比如时间和风向,其中NA值是代表有些数据在某一时刻没被收集到;
步骤2.2、对所有数据进行归一化处理;
按照如下公式将所有数据归一化到0~1之间;
其中,X'表示归一化后的数据,Xmax表示数据的最大值,Xmin表示数据的最小值。
4.如权利要求1所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,所述步骤4在python平台构建的LSTM神经网络模型包括:一个输入层、一个LSTM细胞层、一个输出层;
所述LSTM细胞层的内部设置有若干门限,包含遗忘门ft、输入门it、输出门ot;
并且LSTM递归循环神经网络的前向传播函数为:
it=σ(WxiXt+Whiht-1+bi)
ft=σ(WxfXt+Whfht-1+bf)
ct=ft*ct-1+tanh(WxcXt+Whcht-1+bc)
ot=σ(WxoXt+Whoht-1+bo)
其中,Wxi为输入层到输入门之间的权重;Whi为上一时刻隐藏层与输入门之间的权重;Wxf为输入层到遗忘门之间的权重;Whf为上一时刻隐藏层与遗忘门之间的权重;Wxc为输入层到状态细胞之间的权重;Whc为上一时刻隐藏层与状态细胞之间的权重;Wxo为输入层到输出门之间的权重;Who为上一时刻隐藏层与输出门之间的权重;σ表示sigma函数;Xt表示输入;ht-1表示上一时刻隐藏层的输出;bi表示输入门偏置;bf表示遗忘门偏置;ct表示状态细胞输出;bc表示状态细胞偏置;bo表示输出门偏置。
5.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,所述门限数值0表示禁止所有信息通过,数值1表示允许所有信息通过。
6.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,超参的选择包括学习速率、训练次数、神经元个数;
其中,学习速率选择为0~1之间;训练次数选择为任意正整数;神经元个数选择为任意正整数。
7.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,模型中使用平均绝对误差(MAE)损失函数来更新模型参数,表示式如下所示
其中,n表示输出向量维度;yi表示训练数据真实值;yi'表示训练数据预测值。
8.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,采用Adam梯度下降算法更新LSTM模型中的权重和偏置。
9.如权利要求4所述的基于python平台的LSTM神经网络来预测雾霾方法,其特征在于,所述神经网络输入层的输入数据为归一化之后的温度,露点温度,压力,风速,降雨量和降雪量数据,神经网络输出层的输出数据为归一化之后的雾霾浓度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367437.3A CN109447373A (zh) | 2018-11-16 | 2018-11-16 | 基于python平台的LSTM神经网络来预测雾霾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367437.3A CN109447373A (zh) | 2018-11-16 | 2018-11-16 | 基于python平台的LSTM神经网络来预测雾霾方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447373A true CN109447373A (zh) | 2019-03-08 |
Family
ID=65553746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811367437.3A Pending CN109447373A (zh) | 2018-11-16 | 2018-11-16 | 基于python平台的LSTM神经网络来预测雾霾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447373A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096795A (zh) * | 2019-04-29 | 2019-08-06 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
CN110147875A (zh) * | 2019-05-07 | 2019-08-20 | 西安交通大学 | 一种基于lstm神经网络的盾构机辅助巡航方法 |
CN110175425A (zh) * | 2019-05-31 | 2019-08-27 | 重庆大学 | 一种基于mmalstm的齿轮剩余寿命的预测方法 |
CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
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 |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
CN111175852A (zh) * | 2019-12-27 | 2020-05-19 | 中国电子科技集团公司第十四研究所 | 一种基于长短时记忆算法的机场大雾预报预警方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111475948A (zh) * | 2020-04-07 | 2020-07-31 | 青岛理工大学 | 一种基于lstm网络的地铁隧道施工时沉降新型预测方法 |
CN111783943A (zh) * | 2020-06-09 | 2020-10-16 | 南京航空航天大学 | 一种基于lstm神经网络的驾驶员制动强度预测方法 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
CN112418529A (zh) * | 2020-11-24 | 2021-02-26 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112434847A (zh) * | 2020-11-17 | 2021-03-02 | 上海东普信息科技有限公司 | 基于lstm模型的快递件量预测方法、装置、设备和存储介质 |
CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN113537578A (zh) * | 2021-06-25 | 2021-10-22 | 国网江苏省电力有限公司信息通信分公司 | 一种电力用户行为预测方法 |
CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
AU2018100221A4 (en) * | 2018-02-21 | 2018-03-29 | Feng, Yinan MR | A correction method based on linear regression algorithm for PM2.5 sensors |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
-
2018
- 2018-11-16 CN CN201811367437.3A patent/CN109447373A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
AU2018100221A4 (en) * | 2018-02-21 | 2018-03-29 | Feng, Yinan MR | A correction method based on linear regression algorithm for PM2.5 sensors |
CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
Non-Patent Citations (1)
Title |
---|
彭岩: "LSTM", 《简书》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096795A (zh) * | 2019-04-29 | 2019-08-06 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
CN110096795B (zh) * | 2019-04-29 | 2023-07-18 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
CN110147875A (zh) * | 2019-05-07 | 2019-08-20 | 西安交通大学 | 一种基于lstm神经网络的盾构机辅助巡航方法 |
CN110175425A (zh) * | 2019-05-31 | 2019-08-27 | 重庆大学 | 一种基于mmalstm的齿轮剩余寿命的预测方法 |
CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN110555378B (zh) * | 2019-07-29 | 2023-01-17 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
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 |
CN111175852A (zh) * | 2019-12-27 | 2020-05-19 | 中国电子科技集团公司第十四研究所 | 一种基于长短时记忆算法的机场大雾预报预警方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111340292B (zh) * | 2020-02-26 | 2022-05-10 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
CN111475948A (zh) * | 2020-04-07 | 2020-07-31 | 青岛理工大学 | 一种基于lstm网络的地铁隧道施工时沉降新型预测方法 |
CN111783943A (zh) * | 2020-06-09 | 2020-10-16 | 南京航空航天大学 | 一种基于lstm神经网络的驾驶员制动强度预测方法 |
CN111783943B (zh) * | 2020-06-09 | 2024-04-16 | 南京航空航天大学 | 一种基于lstm神经网络的驾驶员制动强度预测方法 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
CN112434847A (zh) * | 2020-11-17 | 2021-03-02 | 上海东普信息科技有限公司 | 基于lstm模型的快递件量预测方法、装置、设备和存储介质 |
CN112418529B (zh) * | 2020-11-24 | 2024-02-27 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112418529A (zh) * | 2020-11-24 | 2021-02-26 | 江苏巨数智能科技有限公司 | 基于lstm神经网络的户外广告在线倒塌预测方法 |
CN112990531B (zh) * | 2020-12-23 | 2021-11-19 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
CN113537578A (zh) * | 2021-06-25 | 2021-10-22 | 国网江苏省电力有限公司信息通信分公司 | 一种电力用户行为预测方法 |
CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
CN114279494B (zh) * | 2021-12-16 | 2023-05-26 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447373A (zh) | 基于python平台的LSTM神经网络来预测雾霾方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
Pak et al. | A hybrid model based on convolutional neural networks and long short-term memory for ozone concentration prediction | |
CN107909206B (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN105488456B (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN108874782A (zh) | 一种层次注意力lstm和知识图谱的多轮对话管理方法 | |
CN108492200A (zh) | 一种基于卷积神经网络的用户属性推断方法和装置 | |
CN108038205B (zh) | 针对中文微博的观点分析原型系统 | |
CN103812872B (zh) | 一种基于混合狄利克雷过程的网络水军行为检测方法及系统 | |
CN107832400A (zh) | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN110598005A (zh) | 一种面向公共安全事件的多源异构数据知识图谱构建方法 | |
CN107944559A (zh) | 一种实体关系自动识别方法及系统 | |
CN109272114A (zh) | 机械装备剩余使用寿命快速有效预测的深度学习方法 | |
CN111259672A (zh) | 基于图卷积神经网络的中文旅游领域命名实体识别方法 | |
CN111814699B (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
CN108182260A (zh) | 一种基于语义选择的多变量时间序列分类方法 | |
CN107729363A (zh) | 基于GoogLeNet网络模型鸟类种群识别分析方法 | |
CN110969107A (zh) | 基于网络模型鸟类种群识别分析方法及系统 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
Xie et al. | Research of PM2. 5 prediction system based on CNNs-GRU in Wuxi urban area | |
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 |
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: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |