CN110533248A - 融合机器学习和lstm的大气污染物浓度预测方法 - Google Patents
融合机器学习和lstm的大气污染物浓度预测方法 Download PDFInfo
- Publication number
- CN110533248A CN110533248A CN201910823349.8A CN201910823349A CN110533248A CN 110533248 A CN110533248 A CN 110533248A CN 201910823349 A CN201910823349 A CN 201910823349A CN 110533248 A CN110533248 A CN 110533248A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- prediction
- lstm
- training
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 239000000809 air pollutant Substances 0.000 title claims abstract description 15
- 231100001243 air pollutant Toxicity 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 60
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 49
- 231100000719 pollutant Toxicity 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种融合机器学习和LSTM的大气污染物浓度预测方法，包括如下步骤：获取大气污染监控数据，选择训练数据和测试数据，完成数据预处理；针对预测目标和训练数据，构建融合机器学习和LSTM的大气污染物浓度预测模型；将训练数据输入预测模型，对预测模型进行训练；将测试数据输入训练好的模型，得到测试数据的预测结果；分析测试数据预测结果的准确性，若符合要求，则进行模型融合，进行预测，若不符合要求，则调整模型参数，然后进行模型训练。本发明数据简单，计算速度快，充分考虑了大气污染物数据，提取了数据的时间和空间分布特征，预测精度高。
Description
技术领域
本发明属于大气污染物浓度预测技术领域，尤其是涉及一种融合机器学习和LSTM的大气污染物浓度预测方法。
背景技术
近年来，大气污染逐渐成为一个非常严重的问题，大气质量的不断恶化对人们的身体健康和生活环境造成了巨大的危害，人们在日常生活中也开始对其广泛关注。因此，大气污染物浓度的预测非常重要，但是大气污染物的分析和预测具有复杂性、动态性和随机性，要想对其进行准确预测，涉及到多个领域和多个部门的大量数据，如气象数据、工业数据、环境数据等。现在社会上具有大量对大气污染源、污染物和气象进行监测的数据，充分对其利用，可以提高大气污染物浓度的监测精度。
目前对大气污染物进行预测的方法主要有传统方法和基于数据计算的方法，传统方法主要为数值预报，其过程涉及到污染物的扩散的物理原理和污染物转化的化学模型，需要具有完善的大气污染物排放清单、气象数据和污染物扩散或转化的物理化学模型，其过程数据量庞大且非常复杂，基于数据计算的方法主要是基于统计和基于机器学习的方法，通过对历史数据进行分析计算，获得数据之间的关系特征，发现数据变化规律，进而给出相对准确的大气污染物浓度，不用考虑污染物的物理化学原理，需要的数据量相对较少，方法相对简单。
在城区内，影响空气质量的因素非常复杂，如交通运输、工业生成、供暖、生活排放、气象条件、城市布局等，所有要想从污染源出发，通过污染物扩散的物理化学原理进行预测，其模型将会非常复杂，计算难度也非常大，因此基于数据计算的方法进行大气污染物浓度计算的研究得到了广泛的发展。随着神经网络的发展，神经网络在大气污染物浓度预测方面的研究也越来越多，且预测效果较好，基于神经网络的方法属于机器学习的范畴，学习速度快，且鲁棒性好。
目前基于神经网络的大气污染物浓度预测大多采用的是BP神经网络或LSTM神经网络以及与其他方法的结合，能发现数据中的线性或非线性关系、时序关系，但是对数据分布的时空特征挖掘的较少。
发明内容
有鉴于此，本发明旨在提出一种融合机器学习和LSTM的大气污染物浓度预测方法，通过挖掘大气污染历史数据的时空特征，预测大气污染物浓度。
为达到上述目的，本发明的技术方案是这样实现的：
融合机器学习和LSTM的大气污染物浓度预测方法，包括如下步骤：
步骤S1：获取大气污染监控数据，选择训练数据和测试数据，完成数据预处理；
步骤S2：针对预测目标和训练数据，构建融合机器学习和LSTM的大气污染物浓度预测模型；
步骤S3：将训练数据输入预测模型，对预测模型进行训练；
步骤S4：将测试数据输入训练好的模型，得到测试数据的预测结果；
步骤S5：分析测试数据预测结果的准确性，若符合要求，则进行步骤S6，若不符合要求，则进行步骤S7；
步骤S6：模型融合，进行预测；
步骤S7：调整模型参数，然后进行步骤S3。
进一步的，所述步骤S1中数据的预处理过程具体包括：
步骤S11：对选取的数据进行清洗，去除异常数据，补充缺省值；
步骤S12：对数据进行归一化处理，并将数据按照80％、20％分为训练集和验证集；
步骤S13：设置模型的误差阈值，将训练集的污染物数据转化为二维矩阵，矩阵的每一行为某一时刻的污染物数据信息，每一列为某一特定的污染物数据；
步骤S14：根据预测需求，设定不同污染物浓度为训练集的标签。
进一步的，所述LSTM，包括一个含有256个神经元的LSTM层，一个含有64个神经元的Dense层、一个输出层和一个激活函数为relu的激活层；GBDT，具有10个随机种子，子采样频率为1，每次弱机器学习使用数据的所有特征；RandomForest，具有10个随机种子，每次弱机器学习使用数据35％的特征。
进一步的，所述预测模型包括
LSTM，接收数据，压缩和提取输入数据特征，获得一个预测结果；
GBDT，接收数据，压缩和提取输入数据特征，获得一个预测结果；
RandomForest，接收数据，压缩和提取输入数据特征，获得一个预测结果；
Bagging，融合LSTM、GBDT和RandomForest模型，接收三个模型的预测结果，进行模型平均，获得最后的预测结果。
进一步的，所述LSTM、GBDT和RandomForest模型，其训练阶段使用相同的损失函数，其公式如下：
其中：MSE表示均方差，yn表示污染物浓度的真实值，y'n表示污染物浓度的预测值，n表示训练样本序号，N表示训练样本的总数。
进一步的，所述步骤S3具体包括：
步骤S31：将训练集的二维数据输入到LSTM模型，进行模型训练，获取一个污染物预测浓度；
步骤S32：将训练集的二维数据输入到GBDT模型，进行模型训练，获取一个污染物预测浓度；
步骤S33：将训练集的二维数据输入到RandomForest模型，进行模型训练，获取一个污染物预测浓度。
进一步的，所述步骤S5的具体计算过程为：
将预测数据与实际数据输入到损失函数，计算误差损失，如果误差小于设定阈值，则认为满足要求停止运算，如果误差大于阈值，则认为不满足要求，需调整参数重新计算。
进一步的，所述步骤S6的模型融合方法为：
Bagging方法，对LSTM、GBDT和RandomForest模型的输出取平均值，获得最终污染物的预测浓度。
本发明的另一目的在于提出一种融合机器学习和LSTM的大气污染物浓度预测装置，具体方案是这样实现的，包括
数据预处理装置，用于获取大气污染监控数据，选择训练数据和测试数据；
模型构建装置，用于针对预测目标和训练数据，构建融合机器学习和LSTM的大气污染物浓度预测模型；
模型训练装置，用于将训练数据输入预测模型，对预测模型进行训练；
预测结果装置，用于将测试数据输入训练好的模型，得到测试数据的预测结果；
结果判定装置，用于分析测试数据预测结果的准确性，若符合要求，则进行模型融合，若不符合要求，则调整模型参数；
模型融合装置，用于模型融合，进行预测；
模型参数调整装置，用于调整模型参数，然后进行模型训练。
相对于现有技术，本发明所述的融合机器学习和LSTM的大气污染物浓度预测方法具有以下优势：
(1)本发明的方法不需要考虑污染物的物理化学反应过程，只是根据污染物的历史数据进行预测，数据简单，计算速度快。
(2)本发明综合传递机器学习和LSTM的优点，对各模型的预测结果取模型平均，得到更好的预测结果；
(3)本发明不仅仅考虑污染物时间维度上的特征，对应污染物数据的空间分布特征进行挖掘，提高预测的准确性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中方法的步骤示意图；
图2为本发明方法实施例中实施的流程示意图；
图3为本发明实施例中构建的融合机器学习和LSTM的预测模型示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明首先对大气污染物浓度预测进行定义。
大气污染物浓度预测：通过对历史污染物监测数据之间的关系进行学习，实现PM2.5、PM10、SO2等大气污染物在未来一定时间内浓度的预测。
传统的预测方法：基于污染物的物理扩散模型和化学反应情况进行的预测统称为传统预测方式。
一种融合机器学习和LSTM的大气污染物SO2浓度的预测方法，如图1-3所示，
包括：
步骤S1：根据预测目标，从大量大气污染物监测数据中选择合适的训练和测试数据，并对数据进行预处理，处理过程包括：
步骤S11：对选取的数据进行清洗，去除异常数据，对缺省数据，采用插值的方法进行补充。
步骤S12：对选取的数据进行归一化的预处理，并将数据按照80％和20％的比例划分为训练集和验证集。本实施例中选取Z-score标准化方法进行归一化处理：
其中：x是原始数据，μ是原始数据的均值，σ是原始数据的标准差，x'是归一化后的数据，经过处理的数据符合μ＝0，σ＝1的标准正态分布。
步骤S13：设置模型的误差阈值，将训练集的污染物数据转化为二维矩阵，矩阵的每一行为某一时刻的污染物信息，每一列为某一特定的污染物数据，误差阈值范围为0.001-0.00001之间。
步骤S2：构建融合机器学习和LSTM的大气污染物SO2浓度的预测模型，具体的：根据大气污染物监测浓度数据，以SO2为预测的目标污染物，构建北京市SO2浓度预测模型，模型由LSTM、GBDT、RandomForest以及融合模型Bagging组成。
模型包括：LSTM，接收数据，压缩和提取输入数据特征，获得一个预测结果；
GBDT，接收数据，压缩和提取输入数据特征，获得一个预测结果；
RandomForest，接收数据，压缩和提取输入数据特征，获得一个预测结果；
Bagging，融合LSTM、GBDT和RandomForest模型，接收三个模型的预测结果，进行模型平均，获得最后的预测结果。
所述LSTM，包括一个含有256个神经元的LSTM层，一个含有64个神经元的Dense层、一个输出层和一个激活函数为relu的激活层，优化器为Adam，batch_siz为256，学习率为0.1，迭代轮次为150；
所述GBDT，具有10个随机种子，子采样频率为1，每次弱机器学习使用数据的所有特征，迭代轮次为35000，学习率为0.1；
所述RandomForest，具有10个随机种子，每次弱机器学习使用数据35％的特征，迭代轮次为8000。
对于LSTM、GBDT和RandomForest模型，其训练阶段使用相同的损失函数，其公式如下：
其中：MSE表示均方差，yn表示污染物浓度的真实值，y'n表示污染物浓度的预测值，n表示训练样本序号，N表示训练样本的总数。
步骤S3：利用训练数据对预测模型进行训练，具体步骤为：
步骤S31：将训练集的二维数据输入到LSTM模型，进行模型训练，获取一个SO2预测浓度；
步骤S32：将训练集的二维数据输入到GBDT模型，进行模型训练，获取一个SO2预测浓度；
步骤S33：将训练集的二维数据输入到RandomForest模型，进行模型训练，获取一个SO2预测浓度；
步骤S4：利用训练好的模型，输入测试数据，得到测试数据的预测结果。
步骤S5：将预测数据与实际数据输入到损失函数，计算误差损失，如果误差小于阈值，则认为满足要求停止运算，执行步骤S6，如果误差大于阈值，则认为不满足要求，需调整参数重新计算，执行步骤S7。
误差计算过程为：将测试预测数据与实际数据进行比对，运用均方差函数计算误差，计算公式为：
其中：MSE表示均方差，yn表示污染物浓度的真实值，y'n变松污染物浓度的预测值，n表示训练样本序号，N表示训练样本的总数。
对于训练所得的预测模型进行性能评估。经实验分析和对比，相比于其他已有方法，在相同情况下，本发明的模型预测正确率更高，满足要求，且充分利用了大气污染物的历史数据。
步骤S6：模型融合，进行预测，模型融合方法为：
Bagging方法，对LSTM、GBDT和RandomForest模型的输出取平均值，获得最终SO2的预测浓度。
综上所述，本发明所构建的融合机器学习和LSTM的大气污染物预测模型是建立在对机器学习、深度神经网络和模型融合研究的基础上，充分利用机器学习GBDT和RandomForest以及LSTM可以很好的获取数据时间、空间分布特征的优点，建立的一种可以预测目标城市未来一定时间内SO2浓度的模型。该方法充分考虑了各种污染物历史数据之间的关联关系，可以更精确的预测结果，具有较好的应用前景。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：包括如下步骤：
步骤S1：获取大气污染监控数据，选择训练数据和测试数据，完成数据预处理；
步骤S2：针对预测目标和训练数据，构建融合机器学习和LSTM的大气污染物浓度预测模型；
步骤S3：将训练数据输入预测模型，对预测模型进行训练；
步骤S4：将测试数据输入训练好的模型，得到测试数据的预测结果；
步骤S5：分析测试数据预测结果的准确性，若符合要求，则进行步骤S6，若不符合要求，则进行步骤S7；
步骤S6：模型融合，进行预测；
步骤S7：调整模型参数，然后进行步骤S3。
2.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述步骤S1中数据的预处理过程具体包括：
步骤S11：对选取的数据进行清洗，去除异常数据，补充缺省值；
步骤S12：对数据进行归一化处理，并将数据按照80％、20％分为训练集和验证集；
步骤S13：设置模型的误差阈值，将训练集的污染物数据转化为二维矩阵，矩阵的每一行为某一时刻的污染物数据信息，每一列为某一特定的污染物数据；
步骤S14：根据预测需求，设定不同污染物浓度为训练集的标签。
3.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述LSTM，包括一个含有256个神经元的LSTM层，一个含有64个神经元的Dense层、一个输出层和一个激活函数为relu的激活层；GBDT，具有10个随机种子，子采样频率为1，每次弱机器学习使用数据的所有特征；RandomForest，具有10个随机种子，每次弱机器学习使用数据35％的特征。
4.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述预测模型包括
LSTM，接收数据，压缩和提取输入数据特征，获得一个预测结果；
GBDT，接收数据，压缩和提取输入数据特征，获得一个预测结果；
RandomForest，接收数据，压缩和提取输入数据特征，获得一个预测结果；
Bagging，融合LSTM、GBDT和RandomForest模型，接收三个模型的预测结果，进行模型平均，获得最后的预测结果。
5.根据权利要求4所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述LSTM、GBDT和RandomForest模型，其训练阶段使用相同的损失函数，其公式如下：
其中：MSE表示均方差，yn表示污染物浓度的真实值，y'n表示污染物浓度的预测值，n表示训练样本序号，N表示训练样本的总数。
6.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述步骤S3具体包括：
步骤S31：将训练集的二维数据输入到LSTM模型，进行模型训练，获取一个污染物预测浓度；
步骤S32：将训练集的二维数据输入到GBDT模型，进行模型训练，获取一个污染物预测浓度；
步骤S33：将训练集的二维数据输入到RandomForest模型，进行模型训练，获取一个污染物预测浓度。
7.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述步骤S5的具体计算过程为：
将预测数据与实际数据输入到损失函数，计算误差损失，如果误差小于设定阈值，则认为满足要求停止运算，如果误差大于阈值，则认为不满足要求，需调整参数重新计算。
8.根据权利要求1所述的融合机器学习和LSTM的大气污染物浓度预测方法，其特征在于：所述步骤S6的模型融合方法为：
Bagging方法，对LSTM、GBDT和RandomForest模型的输出取平均值，获得最终污染物的预测浓度。
9.融合机器学习和LSTM的大气污染物浓度预测装置，其特征在于：包括
数据预处理装置，用于获取大气污染监控数据，选择训练数据和测试数据；
模型构建装置，用于针对预测目标和训练数据，构建融合机器学习和LSTM的大气污染物浓度预测模型；
模型训练装置，用于将训练数据输入预测模型，对预测模型进行训练；
预测结果装置，用于将测试数据输入训练好的模型，得到测试数据的预测结果；
结果判定装置，用于分析测试数据预测结果的准确性，若符合要求，则进行模型融合，若不符合要求，则调整模型参数；
模型融合装置，用于模型融合，进行预测；
模型参数调整装置，用于调整模型参数，然后进行模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823349.8A CN110533248A (zh) | 2019-09-02 | 2019-09-02 | 融合机器学习和lstm的大气污染物浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823349.8A CN110533248A (zh) | 2019-09-02 | 2019-09-02 | 融合机器学习和lstm的大气污染物浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533248A true CN110533248A (zh) | 2019-12-03 |
Family
ID=68666202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910823349.8A Pending CN110533248A (zh) | 2019-09-02 | 2019-09-02 | 融合机器学习和lstm的大气污染物浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533248A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN112598050A (zh) * | 2020-12-18 | 2021-04-02 | 四川省成都生态环境监测中心站 | 生态环境数据质量控制方法 |
| CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
| CN115007634A (zh) * | 2022-06-22 | 2022-09-06 | 浙江大学 | 一种基于机器学习的修复有机污染土壤的方法 |
Citations (5)
| 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 |
| 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 |
| CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
| CN109902881A (zh) * | 2019-03-19 | 2019-06-18 | 武汉乐易创想科技有限公司 | 基于多元统计分析和lstm融合的pm2.5浓度预测方法 |
| 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 |
-
2019
- 2019-09-02 CN CN201910823349.8A patent/CN110533248A/zh active Pending
Patent Citations (5)
| 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 |
| 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 |
| CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
| 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 |
| CN109902881A (zh) * | 2019-03-19 | 2019-06-18 | 武汉乐易创想科技有限公司 | 基于多元统计分析和lstm融合的pm2.5浓度预测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN112529240B (zh) * | 2020-09-14 | 2024-05-07 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN112598050A (zh) * | 2020-12-18 | 2021-04-02 | 四川省成都生态环境监测中心站 | 生态环境数据质量控制方法 |
| CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
| CN113627529B (zh) * | 2021-08-11 | 2023-07-07 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
| CN115007634A (zh) * | 2022-06-22 | 2022-09-06 | 浙江大学 | 一种基于机器学习的修复有机污染土壤的方法 |
| CN115007634B (zh) * | 2022-06-22 | 2022-12-06 | 浙江大学 | 一种基于机器学习的修复有机污染土壤的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533248A (zh) | 融合机器学习和lstm的大气污染物浓度预测方法 | |
| CN114356880B (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
| CN108108836B (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 | |
| CN106056210B (zh) | 一种基于混合神经网络的pm2.5浓度值预测方法 | |
| Qiu et al. | Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN104616060B (zh) | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 | |
| CN106777987B (zh) | 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法 | |
| CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
| CN116186566A (zh) | 基于深度学习的扩散预测方法及系统 | |
| CN113610243B (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN114694767B (zh) | 基于时空图常微分方程网络的pm2.5浓度预测方法 | |
| CN108615360B (zh) | 基于神经网络的交通需求逐日演变预测方法 | |
| CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
| CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
| CN108491958A (zh) | 一种短时公交客流弦不变量预测方法 | |
| CN116384147A (zh) | 基于最优化的时空尺度多层次水体毒害污染物溯源方法 | |
| Lu et al. | A deep belief network based model for urban haze prediction | |
| CN114969143A (zh) | 基于数据挖掘的城市间大气污染物时空关联特征分析方法 | |
| CN113947238A (zh) | 一种基于多站点时空关联的城市污染物浓度预测方法 | |
| Zhang et al. | Attention based graph covolution networks for intelligent traffic flow analysis | |
| Zhang et al. | Source term estimation for continuous plume dispersion in Fusion Field Trial-07: Bayesian inference probability adjoint inverse method | |
| CN113011080B (zh) | 一种负氧离子浓度反演方法 |
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: 20191203 |