CN110147877A - 基于卷积长短时网络的pm2.5预测方法 - Google Patents
基于卷积长短时网络的pm2.5预测方法 Download PDFInfo
- Publication number
- CN110147877A CN110147877A CN201910438564.6A CN201910438564A CN110147877A CN 110147877 A CN110147877 A CN 110147877A CN 201910438564 A CN201910438564 A CN 201910438564A CN 110147877 A CN110147877 A CN 110147877A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- term
- indicate
- value
- 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 26
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 239000010410 layer Substances 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于卷积长短时网络的PM2.5预测方法，其特征在于，包括以下步骤：步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；步骤S2:对采集到的数据进行预处理，得到预处理后的数据；步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；步骤S4:构建CONVLSTM神经网络模型；步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，得到训练后的CONVLSTM神经网络模型；步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
Description
技术领域
本发明属于机器学习研究领域，具体涉及一种基于卷积长短时网络的PM2.5预测方法。
背景技术
近年来，随着工业发展的发展，空气污染问题日益严重，引起了人们的广泛关注。尤其是像PM2.5这种颗粒半径小，面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，而且在大气中的停留时间长、输送距离远，对人体健康和大气环境质量的影响尤为重大。PM2.5浓度与AQI指数、PM10、SO2，NO2，CO，和O3等浓度有着密切的关系。面对这些种类繁多的数据，需要分析它们之间存在的关系，从而做到精准的预测PM2.5浓度。
PM2.5浓度预测的研究一直是一个热点，不少研究人员致力于此。由于PM2.5对环境以及人体健康的破坏力非常大，因此对它的预测和控制是空气质量维持和城市发展的重要问题。PM2.5浓度预测具有一定的挑战性，主要原因还是影响因素过多且不稳定,不仅有自然因素的影响，还有人为因素的影响。目前，空气质量预测方法主要分为两方面，一方面是基于大气化学模式的机理模型称为确定性模型，另一方面是基于机器学习算法的统计模型称为机器学习模型。尤其是近些年来深度学习的不断发展，推动了对PM2.5浓度预测研究的长足进步。
PM2.5的浓度预测是一个重要的任务，对与环境保护和人体健康有着重大的意义，而且目前仍然没有一种方法能够非常准确的预测PM2.5浓度。因此，该领域一直很活跃。近些年，许多与人工神经网络相关的技术被应用到该领域中，这些网络模型非常稳健，展示了一定的预测能力。
这些年来，随着深度学习的不断发展，该技术也被广泛应用在PM2.5浓度预测中。目前普遍的研究方法是提取PM2.5的时间特性，分析它的变化规律，从而做出预测，不过这些方法存在相当大的局限性，无法对PM2.5发生突变的情况做出准确的判断，从而导致预测的偏差过大.而且大多数方法只考虑的单一地区的PM2.5的变化，忽略地区之间的相互影响。当今正处于大数据时代，我们拥有大量的环境空气数据，可以利用海量的数据进行模型训练，而且在大数据训练下模型的参数效果更佳。
发明内容
有鉴于此，本发明的目的在于提供一种基于卷积长短时网络的PM2.5预测方法，结合了CNN和LSTM的优点，准确预测城市的空气质量。
为实现上述目的，本发明采用如下技术方案：
一种基于卷积长短时网络的PM2.5预测方法，包括以下步骤：
步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；
步骤S2:对采集到的数据进行预处理，得到预处理后的数据；
步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；
步骤S4:构建CONVLSTM神经网络模型；
步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；
步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；
步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，得到训练后的CONVLSTM神经网络模型；
步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
进一步的，所述预处理具体为删除异常数据和有缺失的数据。
进一步的，所述CONVLSTM神经网络模型将将LSTM中的全连接网络替换成卷积层，具体为：
其中，ft表示t时刻遗忘门的值，it表示t时刻输入门的值，ot表示t时刻输出门的值，σ表示sigmoid函数，W表示权重矩阵，b表示偏差矢量矩阵，Xt表示t时刻输入到存储单元层的值，Ht表示t时刻网络的输出，表示t时刻存储单元状态的候选值。
进一步的，所述反向传播算法具体为：
步骤S1:前向计算CONVLSTM神经网络模型的每一个神经元的输出值,分别是ft，it，Ct，ht，ot向量的值；
步骤S2:反向计算每一个神经元的的误差项，分为两个部分：一是沿着时间的方向反向传播，另外一个是将误差项往上一层传播；
步骤S3:根据对应的误差项，计算每一个权重的梯度。
进一步的，所述CONVLSTM神经网络模型学习的参数为内部各个网络层之间的的权重矩阵Wfh，Wfx，Wih，Wix，Woh，Wox，Wch，Wcx，以及偏差矢量矩阵bf，bi，bo，bc。
本发明与现有技术相比具有以下有益效果：
本发明基于CNN和LSTM的CONVLSTM分析PM2.5的时空特征，以预测城市的空气质量。
附图说明
图1是本发明一实施例中卷积层运算；
图2是本发明一实施例中LSTM结构图；
图3是本发明一实施例中遗忘门结构图；
图4是本发明一实施例中输入门结构图；
图5是本发明一实施例中输出门结构图；
图6是本发明一实施例中CONVLSTM中的卷积层图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于卷积长短时网络的PM2.5预测方法，包括以下步骤：
步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；
步骤S2:对采集到的数据进行预处理，得到预处理后的数据；
步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；
步骤S4:构建CONVLSTM神经网络模型；
步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；
步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；
步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，在本实施例中该预设值是11000回合，得到训练后的CONVLSTM神经网络模型；
步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
在本实施例中，卷积层的设计具体为，CNN是一种包含循环计算并具有深层结构的前馈神经网络。CNN与全连接的神经网络之间的区别在于权重分配。利用卷积层的特性来寻找多个相邻城市之间PM2.5浓度存在的内在关系，卷积层输入的数据是二维矩阵；如图1所示，{x1,x2...x25}输入，{w1,w2,w3,w4}是卷积核，用于过滤数据，提取特征，{h1,h2...h16}卷积后获得的特征映射。
在本实施例中，LSTM设计：RNN(Recursive Neural Network,RNN)是具有树状分层结构的人工神经网络，RNN的节点以它们连接的顺序递归地输入信息。LSTM网络是一种特殊的RNN，它与RNN在学习长期依赖关系方面存在差异。传统RNN中的重复模块仅包含单个层，LSTM网络中的重复模块包含四个交互神经网络层，如图2所示。
LSTM能够向单元状态中移除或者添加信息，通过门结构来管理。该网络包括遗忘门、输入门和输出门，通过门限管理实现信息的选择性通过，去除或增加信息到细胞状态中。模块中的σ代表Sigmoid函数，公式如下所示。Sigmoid层输出0到1的数字，代表了每个成分应该通过门限的程度。”1”表示让所有的成分通过，”0”表示不让任何成分通过。
如图3中，遗忘门决定丢弃哪些信息，通过输入上一个时刻的输出ht-1与当前时刻的输入xt进入Sigmoid函数S(t)，产生输出值ft，该值介于0到1之间，用来确定要遗忘或者记住多少状态信息。具体推导公式如下所示。
W表示权重矩阵，b表示偏差矢量矩阵，表示矩阵对应的元素相乘，又称Hadamard乘积。两者都需要在训练过程中学习。
如图4所示，输入门决定要记住哪些信息，输入上一个时刻的输出ht-1与当前时刻的输入xt进入Sigmoid函数S(t)产生输出值it，该值介于0到1之间，用来确定要输入多少状态信息；输入上一个时刻的输出ht-1与当前时刻的输入xt进入tanh函数得到输出值两者通过得到最终的输出。具体推到公式如下所示。
如图5所示，输出门决定要输出哪些信息，输入上一个时刻的输出ht-1与当前时刻的输入xt进入Sigmoid函数S(t)产生输出值ot，该值介于0到1之间，用来确定要输出多少状态信息。然后经过一个tanh函数激活，得到最终的输出；具体的推导公式如下所示：
本实施例中，ConvLSTM网络不仅具有LSTM的时序建模能力，而且还能像CNN一样提取局部特征，同时具备时间性以及空间性，该网络由LSTM变体而来，其整体结构与LSTM相近，结构图可由LSTM的结构图(图2)表示，其中不同之处如图6所示，ConvLSTM网络与普通LSTM网络不同之处在于普通的LSTM内部之间是依靠类似前馈神经网络计算的，可以称之为FC-LSTM。而ConvLSTM则是利用卷积代替这种计算方式。其推导公式也发生了改变，新的推导式如下所示。
其中，ft表示t时刻遗忘门的值，it表示t时刻输入门的值，ot表示t时刻输出门的值，σ表示sigmoid函数，W表示权重矩阵，b表示偏差矢量矩阵，Xt表示t时刻输入到存储单元层的值，Ht表示t时刻网络的输出，表示t时刻存储单元状态的候选值。
CONVLSTM的训练算法是反向传播算法，主要分为以下三个步骤：首先，前向计算每一个神经元的输出值，CONVLSTM与LSTM一样，一共有5个输出值，分别是ft，it，Ct，ht，ot向量的值；其次，反向计算每一个神经元的的误差项，主要分为两个部分：一是沿着时间的方向反向传播，另外一个是将误差项往上一层传播；最后，根据对应的误差项，计算每一个权重的梯度；CONVLSTM所需要学习的参数分别是内部各个网络层之间的的权重矩阵Wfh，Wfx，Wih，Wix，Woh，Wox，Wch，Wcx，以及偏差矢量矩阵bf，bi，bo，bc。
本实施例与其他机器学习的方法进行了对比，对比的对象有MLP、CNN和LSTM。如表1所示，在平均绝对误差(MeanAbsolute Error,MAE)方面的对比中，数值从小到大的排行为CONVLSTM(6.4579)、MLP(7.0221)、CNN(7.0906)和LSTM(7.1125)。其中MLP、CNN、LSTM的平均绝对误差不相上下，而CONVLSTM在九个城市中的平均绝对误差中有八个城市处于最低。
表1九个城市PM2.5预测的平均绝对误差
如表2所示，在均方根误差(Root Mean Square Error,RMSE)方面的对比中，数值从小到大的排行分别是ConvLSTM(10.1450)、CNN(10.7404)、LSTM(10.8044)和MLP(10.8077)。在均方根的表现中，MLP、CNN、LSTM的表现依旧不分伯仲，而CONVLSTM的表现是最好的。
表2九个城市PM2.5预测的均方根误差
如图3所示，在平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)方面的对比中，数值从小到大的排行分别是ConvLSTM(0.3152)、MLP(0.3577)、LSTM(0.3595)和CNN(0.3681)。CONVLSTM相对于其它三种办法有了明显的提高。
表3九个城市PM2.5的平均百分比误差
综上所述，本发明方法以LSTM为主体分析PM2.5的时间变化规律，并且将LSTM中的全连接网络替换成卷积层，分析PM2.5的空间规律。在实验中，收集并分析了中国环境因素的记录，使用了三个测量指标MAE、RMSE、MAPE，评估本发明提出的方法的性能，实验结果表明，提出方法展现了良好的PM2.5浓度预测能力，并且在MAE，RMSE和MAPE方面均优于其他机器学习方法。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于卷积长短时网络的PM2.5预测方法，其特征在于，包括以下步骤：
步骤S1:采集待测城市及其相邻城市的历史的PM2.5浓度数据和空气数据；
步骤S2:对采集到的数据进行预处理，得到预处理后的数据；
步骤S3:将预处理后的数据进行归一化处理，并分为训练集和测试集；
步骤S4:构建CONVLSTM神经网络模型；
步骤S5:将训练集输入CONVLSTM神经网络模型，训练CONVLSTM神经网络模型；
步骤S6:采用反向传播算法的策略对网络进行学习，进行迭代运算，得到最优的模型参数；
步骤S7:将训练集的时间向后平移一天，循环步骤S5至步骤S7，更新参数权重直至训练回合达到预设值，得到训练后的CONVLSTM神经网络模型；
步骤S8:将测试样本输入至训练后的CONVLSTM神经网络模型中进行预测，得出预测值。
2.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述预处理具体为删除异常数据和有缺失的数据。
3.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述CONVLSTM神经网络模型将将LSTM中的全连接网络替换成卷积层，具体为：
其中，ft表示t时刻遗忘门的值，it表示t时刻输入门的值，ot表示t时刻输出门的值，σ表示sigmoid函数，W表示权重矩阵，b表示偏差矢量矩阵，Xt表示t时刻输入到存储单元层的值，Ht表示t时刻网络的输出，表示t时刻存储单元状态的候选值。
4.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述反向传播算法具体为：
步骤S1:前向计算CONVLSTM神经网络模型的每一个神经元的输出值,分别是ft，it，Ct，ht，ot向量的值；
步骤S2:反向计算每一个神经元的的误差项，分为两个部分：一是沿着时间的方向反向传播，另外一个是将误差项往上一层传播；
步骤S3:根据对应的误差项，计算每一个权重的梯度。
5.根据权利要求4所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述CONVLSTM神经网络模型学习的参数为内部各个网络层之间的的权重矩阵Wfh，Wfx，Wih，Wix，Woh，Wox，Wch，Wcx，以及偏差矢量矩阵bf，bi，bo，bc。
6.根据权利要求1所述的基于卷积长短时网络的PM2.5预测方法，其特征在于：所述预设值是11000回合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438564.6A CN110147877A (zh) | 2019-05-24 | 2019-05-24 | 基于卷积长短时网络的pm2.5预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438564.6A CN110147877A (zh) | 2019-05-24 | 2019-05-24 | 基于卷积长短时网络的pm2.5预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110147877A true CN110147877A (zh) | 2019-08-20 |
Family
ID=67591926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910438564.6A Pending CN110147877A (zh) | 2019-05-24 | 2019-05-24 | 基于卷积长短时网络的pm2.5预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147877A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
| CN111123894A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于lstm和mlp结合的化工过程故障诊断方法 |
| CN111144625A (zh) * | 2019-12-10 | 2020-05-12 | 北京蛙鸣信息科技发展有限公司 | 基于邻近空间数据主成分要素的空气质量预测方法和系统 |
| CN111210081A (zh) * | 2020-01-09 | 2020-05-29 | 中国人民解放军国防科技大学 | 一种基于Bi-GRU的PM2.5数据处理与预测方法 |
| 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 |
| CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
| CN111814956A (zh) * | 2020-06-23 | 2020-10-23 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
| CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 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 |
| CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
| CN113159358A (zh) * | 2020-01-22 | 2021-07-23 | 广东毓秀科技有限公司 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
| CN113177672A (zh) * | 2021-05-28 | 2021-07-27 | 阜新博远科技有限公司 | 基于长短时记忆网络的pm2.5预测方法 |
| CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
| CN113592565A (zh) * | 2021-09-09 | 2021-11-02 | 哈尔滨工业大学（威海） | 一种电力系统节点重要度预测方法 |
| CN113887815A (zh) * | 2021-10-19 | 2022-01-04 | 厦门海洋职业技术学院 | 空气质量指数预测方法、装置、终端及存储介质 |
| CN114358449A (zh) * | 2022-03-21 | 2022-04-15 | 国网天津市电力公司电力科学研究院 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
| CN115120873A (zh) * | 2022-08-30 | 2022-09-30 | 首都医科大学宣武医院 | 一种头盔式闭环节律性调控器 |
| CN116205375A (zh) * | 2023-04-18 | 2023-06-02 | 北京市南水北调团城湖管理处 | 一种泵站机组运行状态预测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN109685249A (zh) * | 2018-11-24 | 2019-04-26 | 上海师范大学 | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 |
-
2019
- 2019-05-24 CN CN201910438564.6A patent/CN110147877A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN109685249A (zh) * | 2018-11-24 | 2019-04-26 | 上海师范大学 | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
| CN111144625A (zh) * | 2019-12-10 | 2020-05-12 | 北京蛙鸣信息科技发展有限公司 | 基于邻近空间数据主成分要素的空气质量预测方法和系统 |
| CN111123894A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于lstm和mlp结合的化工过程故障诊断方法 |
| CN111210081A (zh) * | 2020-01-09 | 2020-05-29 | 中国人民解放军国防科技大学 | 一种基于Bi-GRU的PM2.5数据处理与预测方法 |
| CN113159358A (zh) * | 2020-01-22 | 2021-07-23 | 广东毓秀科技有限公司 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
| 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 |
| CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
| CN111814956A (zh) * | 2020-06-23 | 2020-10-23 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
| CN111814956B (zh) * | 2020-06-23 | 2022-04-08 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
| CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 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 |
| CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
| CN113177672A (zh) * | 2021-05-28 | 2021-07-27 | 阜新博远科技有限公司 | 基于长短时记忆网络的pm2.5预测方法 |
| CN113177672B (zh) * | 2021-05-28 | 2023-12-15 | 阜新博远科技有限公司 | 基于长短时记忆网络的pm2.5预测方法 |
| CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
| CN113537469B (zh) * | 2021-07-19 | 2024-04-16 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
| CN113592565A (zh) * | 2021-09-09 | 2021-11-02 | 哈尔滨工业大学（威海） | 一种电力系统节点重要度预测方法 |
| CN113592565B (zh) * | 2021-09-09 | 2023-05-02 | 哈尔滨工业大学（威海） | 一种电力系统节点重要度预测方法 |
| CN113887815A (zh) * | 2021-10-19 | 2022-01-04 | 厦门海洋职业技术学院 | 空气质量指数预测方法、装置、终端及存储介质 |
| CN114358449A (zh) * | 2022-03-21 | 2022-04-15 | 国网天津市电力公司电力科学研究院 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
| CN115120873A (zh) * | 2022-08-30 | 2022-09-30 | 首都医科大学宣武医院 | 一种头盔式闭环节律性调控器 |
| WO2024045583A1 (zh) * | 2022-08-30 | 2024-03-07 | 首都医科大学宣武医院 | 一种头盔式闭环节律性调控器 |
| CN116205375A (zh) * | 2023-04-18 | 2023-06-02 | 北京市南水北调团城湖管理处 | 一种泵站机组运行状态预测方法和系统 |
| CN116205375B (zh) * | 2023-04-18 | 2023-09-01 | 北京市南水北调团城湖管理处 | 一种泵站机组运行状态预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147877A (zh) | 基于卷积长短时网络的pm2.5预测方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
| Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
| Grimaccia et al. | Neuro-fuzzy predictive model for PV energy production based on weather forecast | |
| Gu et al. | Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation | |
| Lv et al. | An improved long short-term memory neural network for stock forecast | |
| Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
| Buragohain | Adaptive network based fuzzy inference system (ANFIS) as a tool for system identification with special emphasis on training data minimization | |
| Kalogirou | Artificial neural networks and genetic algorithms for the modeling, simulation, and performance prediction of solar energy systems | |
| Na et al. | A novel heuristic artificial neural network model for urban computing | |
| Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
| CN112183721B (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
| Yao et al. | Convolutional geometric matrix completion | |
| Liu et al. | Research on stock price prediction method based on deep learning | |
| Pulido et al. | Genetic algorithm and Particle Swarm Optimization of ensemble neural networks with type-1 and type-2 fuzzy integration for prediction of the Taiwan Stock Exchange | |
| Iwata et al. | Reduction of training computation by network optimization of Integration Neural Network approximator | |
| CN114880734A (zh) | 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法 | |
| Cui et al. | KPCA‐ESN Soft‐Sensor Model of Polymerization Process Optimized by Biogeography‐Based Optimization Algorithm | |
| Wu et al. | Learning spatial–temporal pairwise and high-order relationships for short-term passenger flow prediction in urban rail transit | |
| Ma et al. | MetaSTNet: Multimodal Meta-learning for Cellular Traffic Conformal Prediction | |
| Puente et al. | Predicting COVID-19 Cases using Deep LSTM and CNN 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |