CN111144286A - 一种融合emd和lstm的城市pm2.5浓度预测方法 - Google Patents
一种融合emd和lstm的城市pm2.5浓度预测方法 Download PDFInfo
- Publication number
- CN111144286A CN111144286A CN201911359480.XA CN201911359480A CN111144286A CN 111144286 A CN111144286 A CN 111144286A CN 201911359480 A CN201911359480 A CN 201911359480A CN 111144286 A CN111144286 A CN 111144286A
- Authority
- CN
- China
- Prior art keywords
- data
- concentration
- model
- lstm
- emd
- 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 40
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 230000006641 stabilisation Effects 0.000 claims abstract description 4
- 238000011105 stabilization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 239000000809 air pollutant Substances 0.000 claims description 9
- 231100001243 air pollutant Toxicity 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000015654 memory Effects 0.000 abstract description 3
- 238000003915 air pollution Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种融合EMD和LSTM的城市PM2.5浓度预测方法涉及空气质量浓度预测领域。首先,获取每小时时间序列数据,对获取的数据进行数据清洗;然后,使用经验模态分解EMD对PM2.5浓度数据进行平稳化处理,得到多个分量;接着,确定滑动时间窗口T,对每个分量进行数据序列段切分处理,并归一化统一量纲,得到多个数据集;将数据集划分为训练集和测试集,分别构建LSTM网络模型进行训练,最后使用训练好的模型对各个分量进行预测,并对其进行反归一化处理,得到最终的城市PM2.5浓度预测结果。在此基础上构建长短期记忆神经网络LSTM模型并进行训练;最后,使用训练好的模型进行预测,并对其进行反归一化处理,得到最终的城市PM2.5浓度预测结果。
Description
技术领域
本发明涉及一种空气质量浓度预测方法,尤其是涉及一种融合EMD和 LSTM的深度学习城市PM2.5浓度预测方法
背景技术
随着我国城市化和工业化的快速发展,大部分城市,特别是北方地区, 都出现了严重的空气污染问题。空气污染不仅严重影响了日常的交通出行, 还会导致许多的健康问题,例如呼吸道疾病、心血管疾病等。自从2011年北 京空气污染数据在美国大使馆发布之后,城市居民的环境保护意识日益提高, 越来越多的人开始重视城市的空气质量问题。随着大数据和深度学习等新型 信息技术的日益发展,如何利用空气污染大数据及深度学习技术对城市空气 污染物浓度进行科学有效的预测是当前大气污染治理领域的热点问题。
城市PM2.5浓度预测是一个典型的时间序列预测问题。近年来,学术界运 用多种方法对时间序列预测模型进行研究。如ARIMA预测模型、支持向量回 归预测模型等。然而,ARIMA预测模型等不能很好的对非线性时间序列进行 预测,随着大数据和深度学习的发展,BP神经网络和RNN神经网络的出现 解决了这一难题。长短期记忆网络(Long Short-Term Memory,LSTM)是1997 年提出的一种RNN改进模型,其模型设计的主要目的是为了解决标准RNN 在处理长期依赖问题时容易发生梯度消失和梯度爆炸的问题,目前已被广泛的应用在股票预测、交通流量预测等领域。但是神经网络预测模型只能挖掘 不同时段相同维度上的数据信号,不能对噪音等进行平稳处理,因此本文提 出了一种融合EMD和LSTM的深度学习时间序列预测方法。
发明内容
发明目的:本发明的目的就是针对现有技术存在的问题,提出了一种融 合EMD和LSTM的城市PM2.5浓度预测方法来提高预测模型的精度。
技术方案:本发明所诉的一种融合EMD和LSTM的城市PM2.5浓度预测 方法,包括以下的步骤:
步骤S1:获取每小时时间序列数据,对获取的数据进行数据清洗;
步骤S2:使用经验模态分解EMD对PM2.5浓度数据进行平稳化处理,得 到多个分量;
步骤S3:确定滑动时间窗口T,对每个分量进行数据序列段切分处理, 并归一化统一量纲,得到多个数据集;
步骤S4:将数据集划分为训练集和测试集,分别构建LSTM网络模型进 行训练;
步骤S5:使用训练好的模型对各个分量进行预测,并对其进行反归一化 处理,得到最终的城市PM2.5浓度预测结果;
步骤S1所述的数据清洗包括删除异常值,通过线性插值方法填充缺失值, 公式如下:
其中,t表示缺失数据的时刻,m表示大于t时刻的最近有值的时刻,n表 示小于t时刻的最近有值时刻,Xm表示m时刻的数据,Xn表示n时刻的数据,Xt表示待填充的数据。
步骤S2所述的经验模态分解EMD方法,其关键是将非线性、非平稳性 的PM2.5时间序列数据分解为12个具有不同尺度、平稳性和周期波动性特点 的本征模函数(IMF)和一个代表原始信号总体趋势的残余量(RES):
步骤S3所述的滑动时间窗口T设置为3,LSTM模型的输入是一个滑动 时间窗口为T的序列段,即预测T+1时刻的PM2.5浓度值需要将前T时刻的 空气污染物历史数据和气象数据作为输入,因此需要对时间序列段进行切分 处理,本文采用时间窗口为3,移动步长step为1的滑动窗口切分法。
步骤S3所述的数据标准化将不同量级的数据统一转化为同一个量级,计 算公式为:
其中,x_ori表示待处理的数据,μ表示样本数据的平均值,σ表示样本数 据的标准差,x表示经过z-score标准化后的输出数据。
步骤S4采用LSTM对分解后的各IMF分量和残余量RES分别进行建模, 将数据集按照80%,10%,10%的比例划分为训练集、验证集和测试集,将前 3小时的空气污染物数据、气象数据作为输入数据来预测未来1小时的PM2.5浓 度,设置模型的输入层神经元个数为13,隐藏层神经元个数为7,输出层神 经元个数为1,模型的损失函数为MSE损失函数,优化器选择为Adam优化 器,学习率为0.001,模型的评价指标为均方根误差函数RMSE和平均绝对百 分误差函数MAPE。
步骤S5所诉的反归一化计算公式为:
xout=σ×xPred+μ
其中,xpred表示经过步骤S4网络模型输出的数据,μ表示样本的平均值, σ表示样本的标准差,xout表示经过反归一化后的PM2.5浓度预测结果。
有益效果:
与现有技术相比,本发明具有以下的有益效果:
1)利用经验模态分解EMD算法对PM2.5浓度数据进行处理,降低数据 的不平稳性、噪音对模型预测的影响。
2)提出了一种基于深度学习算法LSTM的多变量时间序列预测模型。
3)预测模型的精度较传统的预测方法更高,更有利于城市空气污染治 理的实施。
附图说明
图1是本发明实施例的流程示意图
图2是本发明所构建的预测模型的结构示意图
图3是本发明实施例的经验模态分解图
具体实施方式
下面结合附图对本发明做进一步的详细阐述,本实施例以本发明技术方 案为前提进行实施,给出了具体的实施方式和详细的操作过程,但本发明的 保护范围不限于下述的实施例。
一种融合EMD和LSTM的城市PM2.5浓度预测方法,如图1~图3所示, 包括:
步骤S1:获取每小时时间序列数据,对获取的数据进行数据清洗;
根据影响城市PM2.5浓度扩散的因素,分别从中国环境监测总站的全国城 市空气质量实时发布平台和美国国家气候数据中心(NCDC)收集2015~2017 年太原市PM2.5、PM10、SO2、CO、NO2、O3、AQI、温度、露点、气压、风 速、风向、云量共13维特征的实时历史数据。
对获取的数据进行数据清洗,空气污染监测数据和气象数据都有其范围, 删除不在有效范围内的异常值,通过线性插值的方式填充缺失值,填充公式 如下:
其中,t表示缺失数据的时刻,m表示大于t时刻的最近有值的时刻,n表 示小于t时刻的最近有值时刻,Xm表示m时刻的数据,Xn表示n时刻的数据,Xt表示待填充的数据。
步骤S2:使用经验模态分解EMD对PM2.5浓度数据进行平稳化处理,得 到多个分量;
经验模态分解EMD是一种处理非线性、非平稳信号的时序信号分解方法, 该方法无需预设基函数,依据原始信号自适应地将非线性、非平稳性的PM2.5时 间序列数据分解为如图3所示的12个具有不同尺度、平稳性和周期波动性特 点的本征模函数(IMF)和一个代表原始信号总体趋势的残余量(RES),不 同时间尺度的IMF分量包含原始信号的局部特征信息,从而使非平稳的原始 信号数据平稳化,用公式表示为:
其中,每个IMF分量必须同时满足两个条件:原始信号局部极值点和过 零点的数目相等或相差1个;在任意时刻,原始信号的上包络线和下包络线 平均值必须为零。
经验模态分解过程如下所示:
1)找到原始信号S(t)的最大值点和最小值点。
2)用三次样条插值函数拟合形成原数据的上包络线S_max(t)和下 包络线S_min(t),并求其均值
3)用原始信号S(t)减去均值m(t)得到一个新的信号h(t)=S(t)- m(t),h(t)若满足IMF分量的条件则成为一个IMF,否则将h(t)作为 原始信号重复上述的步骤,直到满足IMF分量的条件为止。
4)将满足条件的h(t)记为c1,c1对应第一个IMF分量,余量 r1=S(t)-c1,将余量r1作为原始信号重复上述的步骤直至分解出多个 IMF分量和最后一个残余量RES。
步骤S3:确定滑动时间窗口T,对每个分量进行数据序列段切分处理, 并归一化统一量纲,得到多个数据集;
设步骤S1获得的长度为t的时间序列为 其中,矩阵的每一行为某一时刻m个特 征项的值,LSTM模型的输入是一个滑动时间窗口为T的序列段,即预测T+1 时刻的PM2.5浓度值需要将前T时刻的空气污染物历史数据和气象数据作为输 入,因此需要对时间序列段进行切分处理,本文采用时间窗口为3,移动步长step为1的滑动窗口切分法,则得到的第一个数据为X1={X1(t-2),X1(t- 1),X1(t)},依此类推,一个长度为t的交通流时间序列按时间步长T可产生 t-T条样本数据;
将通过滑动窗口切分法处理后的数据进行数据标准化处理以提高模型的 训练速度和预测精度,本实例采用Z-score标准化处理方法,将数据转换到[0,1] 范围区间内,计算公式如下:
其中,x_ori表示待处理的数据,μ表示样本数据的平均值,σ表示样本数 据的标准差,x表示经过z-score标准化后的输出数据。
步骤S4:将数据集划分为训练集和测试集,分别构建LSTM网络模型进 行训练;
将数据集按照80%,10%,10%的比例划分为训练集、验证集和测试集作 为研究对象,利用LSTM模型来预测未来1小时的PM2.5浓度。
如下表所示为LSTM模型构建时设置的超参数和方法:
Table 1:Hyper-Parameters and Learning Algorithm
如上所诉,设置LSTM网络模型,利用前3小时的空气污染物浓度值和 气象数据共13维特征数据作为整个模型的输入,预测未来1小时的PM2.5浓度。 模型反向传播过程使用Adam优化器,初始学习率为0.001,损失函数为MSE 函数,对模型进行100次迭代训练得到最终的预测模型。
长短期记忆神经网络(LSTM)隐含层的基本单元是一个特殊的细胞结构, 每个细胞由输入门、输出门和遗忘门3部分组成,用来实现信息的保护和控 制。xt表示t时刻输入层的时间序列;ht-1、ht表示t-1、t时刻隐藏层的输 出;ct是存放在记忆细胞中的独有信息;σ是遗忘门中的激活函数;tanh表示 双曲正切激活函数;Wf、Wi、Wc、Wo表示权值矩阵;bf、bi、bc、bo表示偏 置。模型训练的过程即是对权值矩阵的不断学习过程,细胞更新的具体过程通过以下的步骤来实现,迭代重复。
首先通过遗忘门来决定从cell状态中丢弃哪些无用的空气污染物数据和 气象数据
ft=σ(Wf·[ht-1,xt]+bf)
然后通过输入门来决定哪些信息需要被加入到cell状态中来,
it=σ(Wi·[ht-1,xt]+bi)
期间旧状态的更新为:
最后通过输出门来确定需要输出的信息,即输出的PM2.5浓度预测结果
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
为了防止过拟合现象的发生,在模型的训练过程中引入Dropout策略对模 型的权值参数进行“惩罚”约束,即每次迭代的过程中放弃一部分训练好的 参数。Dropout的工作流程是在一次循环中先随机的选取神经层的一些单元将 其隐藏,然后再进行神经网络的训练和优化过程,在下一次循环中又隐藏一 些神经元直至训练结束。
利用测试集数据对预测模型进行性能评估,模型的评价指标为均方根误 差函数RMSE和平均绝对百分误差函数MAPE,计算公式为:
步骤S5:使用训练好的模型对各个分量进行预测,并对其进行反归一化 处理,得到最终的城市PM2.5浓度预测结果;
把各IMF分量和残余量RES的预测结果相加求和,作为融合EMD和 LSTM预测模型的最终预测结果。反归一化计算公式为:
xout=σ×xPred+μ
其中,xpred表示经过步骤S4网络模型输出的数据,μ表示样本的平均值, σ表示样本的标准差,xout表示经过反归一化后的PM2.5浓度预测结果。
为了验证模型的有效性,将EMD_LSTM预测模型和传统的机器学习模型 及其他神经网络模型对比,结果表明,融合EMD和LSTM的城市PM2.5浓度 预测方法具有更好的预测精度,实验结果如下表所示:
Claims (6)
1.一种融合EMD和LSTM的城市PM2.5浓度预测方法,其特征在于,包括以下的步骤:
步骤S1:获取每小时时间序列数据,对获取的数据进行数据清洗;
步骤S2:使用经验模态分解EMD对PM2.5浓度数据进行平稳化处理,得到多个分量;
步骤S3:确定滑动时间窗口T,对每个分量进行数据序列段切分处理,并归一化统一量纲,得到多个数据集;
步骤S4:将数据集划分为训练集和测试集,分别构建LSTM网络模型进行训练;
步骤S5:使用训练好的模型对各个分量进行预测,并对其进行反归一化处理,得到最终的城市PM2.5浓度预测结果。
5.根据权利要求1所述的一种融合EMD和LSTM的城市PM2.5浓度预测方法,其特征在于,步骤S4采用LSTM对分解后的各IMF分量和残余量RES分别进行建模,将数据集按照80%,10%,10%的比例划分为训练集、验证集和测试集,将前3小时的空气污染物数据、气象数据作为输入数据来预测未来1小时的PM2.5浓度,设置模型的输入层神经元个数为13,隐藏层神经元个数为7,输出层神经元个数为1,模型的损失函数为MSE损失函数,优化器选择为Adam优化器,学习率为0.001,模型的评价指标为均方根误差函数RMSE和平均绝对百分误差函数MAPE。
6.根据权利要求1所述的一种融合EMD和LSTM的城市PM2.5浓度预测方法,其特征在于,步骤S5所述的反归一化计算公式为:
xout=σ×xpred+μ
其中,xpred表示经过步骤S4网络模型输出的数据,μ表示样本的平均值,σ表示样本的标准差,xout表示经过反归一化后的PM2.5浓度预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359480.XA CN111144286A (zh) | 2019-12-25 | 2019-12-25 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359480.XA CN111144286A (zh) | 2019-12-25 | 2019-12-25 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144286A true CN111144286A (zh) | 2020-05-12 |
Family
ID=70520091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911359480.XA Pending CN111144286A (zh) | 2019-12-25 | 2019-12-25 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144286A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652701A (zh) * | 2020-05-29 | 2020-09-11 | 蚌埠学院 | 一种基于融合神经网络的个人信用评估方法及系统 |
CN111898673A (zh) * | 2020-07-29 | 2020-11-06 | 武汉大学 | 一种基于emd与lstm的溶解氧含量预测方法 |
CN111898820A (zh) * | 2020-07-27 | 2020-11-06 | 重庆市规划设计研究院 | 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统 |
CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
CN112149887A (zh) * | 2020-09-08 | 2020-12-29 | 北京工业大学 | 一种基于数据时空特征的pm2.5浓度预测方法 |
CN112215400A (zh) * | 2020-09-14 | 2021-01-12 | 山东省地质矿产勘查开发局第一地质大队 | 一种地下水开采过度预警方法与系统 |
CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
CN112434888A (zh) * | 2020-12-17 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法 |
CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113344306A (zh) * | 2021-08-06 | 2021-09-03 | 浙江中海达空间信息技术有限公司 | 降水湿清除过程微观时序建模的pm2.5浓度预测方法 |
CN113440990A (zh) * | 2021-06-07 | 2021-09-28 | 华北电力大学(保定) | 基于emd-lstm的出口so2浓度预测方法 |
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN113503915A (zh) * | 2021-07-01 | 2021-10-15 | 北京工商大学 | 污染物数据预测方法、装置、存储介质及电子设备 |
CN113688774A (zh) * | 2021-09-03 | 2021-11-23 | 重庆大学 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
CN113762642A (zh) * | 2021-09-23 | 2021-12-07 | 大连理工大学人工智能大连研究院 | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
CN114330120A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 一种基于深度神经网络预测24小时pm2.5浓度的方法 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
CN116682265A (zh) * | 2023-08-04 | 2023-09-01 | 南京隼眼电子科技有限公司 | 交通流量预测模型构建方法、使用方法及电子设备 |
CN116861192A (zh) * | 2023-07-27 | 2023-10-10 | 广东中山建筑设计院股份有限公司 | 基于satt-tcn-lstm模型的城市用水量预测方法 |
Citations (7)
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 |
CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
-
2019
- 2019-12-25 CN CN201911359480.XA patent/CN111144286A/zh active Pending
Patent Citations (7)
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 |
US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
JIANGENG LI等: ""Prediction of PM2.5 Concentration Based on CEEMD-LSTM Model"", 2019 CHINESE CONTROL CONFERENCE (CCC) * |
杨亮等: "\"基于EMD-LSTM的猪舍氨气浓度预测研究\"", 《农业机械学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652701A (zh) * | 2020-05-29 | 2020-09-11 | 蚌埠学院 | 一种基于融合神经网络的个人信用评估方法及系统 |
CN111898820A (zh) * | 2020-07-27 | 2020-11-06 | 重庆市规划设计研究院 | 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统 |
CN111898673A (zh) * | 2020-07-29 | 2020-11-06 | 武汉大学 | 一种基于emd与lstm的溶解氧含量预测方法 |
CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
CN112035799A (zh) * | 2020-09-02 | 2020-12-04 | 西安建筑科技大学 | 一种过滤器选型用室外pm2.5设计浓度确定方法及其应用 |
CN112149887A (zh) * | 2020-09-08 | 2020-12-29 | 北京工业大学 | 一种基于数据时空特征的pm2.5浓度预测方法 |
CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
CN112215400A (zh) * | 2020-09-14 | 2021-01-12 | 山东省地质矿产勘查开发局第一地质大队 | 一种地下水开采过度预警方法与系统 |
CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
CN112434888A (zh) * | 2020-12-17 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113283614B (zh) * | 2021-04-29 | 2023-09-12 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113440990A (zh) * | 2021-06-07 | 2021-09-28 | 华北电力大学(保定) | 基于emd-lstm的出口so2浓度预测方法 |
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN113503915A (zh) * | 2021-07-01 | 2021-10-15 | 北京工商大学 | 污染物数据预测方法、装置、存储介质及电子设备 |
CN113344306A (zh) * | 2021-08-06 | 2021-09-03 | 浙江中海达空间信息技术有限公司 | 降水湿清除过程微观时序建模的pm2.5浓度预测方法 |
CN113344306B (zh) * | 2021-08-06 | 2021-11-09 | 浙江中海达空间信息技术有限公司 | 降水湿清除过程微观时序建模的pm2.5浓度预测方法 |
CN113688774A (zh) * | 2021-09-03 | 2021-11-23 | 重庆大学 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
CN113688774B (zh) * | 2021-09-03 | 2023-09-26 | 重庆大学 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
CN113762642A (zh) * | 2021-09-23 | 2021-12-07 | 大连理工大学人工智能大连研究院 | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
CN114330120A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 一种基于深度神经网络预测24小时pm2.5浓度的方法 |
CN114330120B (zh) * | 2021-12-28 | 2024-04-23 | 武汉大学 | 一种基于深度神经网络预测24小时pm2.5浓度的方法 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
CN116861192A (zh) * | 2023-07-27 | 2023-10-10 | 广东中山建筑设计院股份有限公司 | 基于satt-tcn-lstm模型的城市用水量预测方法 |
CN116682265A (zh) * | 2023-08-04 | 2023-09-01 | 南京隼眼电子科技有限公司 | 交通流量预测模型构建方法、使用方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144286A (zh) | 一种融合emd和lstm的城市pm2.5浓度预测方法 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN109615226B (zh) | 一种运营指标异常监测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN111915073A (zh) | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN114925891A (zh) | 基于小波分析与混合模型的用水量趋势预测方法和系统 | |
Luan et al. | Comprehensive forecasting method of monthly electricity consumption based on time series decomposition and regression analysis | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN110659758A (zh) | 一种基于ai技术的空气质量短期高精度预测模型 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |