CN111160628A - 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 - Google Patents
一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 Download PDFInfo
- Publication number
- CN111160628A CN111160628A CN201911282630.1A CN201911282630A CN111160628A CN 111160628 A CN111160628 A CN 111160628A CN 201911282630 A CN201911282630 A CN 201911282630A CN 111160628 A CN111160628 A CN 111160628A
- Authority
- CN
- China
- Prior art keywords
- data
- attention
- cnn
- seq2seq
- concentration
- 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 31
- 239000000809 air pollutant Substances 0.000 title claims abstract description 17
- 231100001243 air pollutant Toxicity 0.000 title claims abstract description 17
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 28
- 231100000719 pollutant Toxicity 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000003915 air pollution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。包括以下步骤:1)获取预测区域站点的一段时间内的历史空气污染物浓度数据;2)对这些历史数据进行预处理,对缺失的数据采用拉格朗日插值法进行填充,进行标准化处理;3)构建组成污染物浓度数据的时空矩阵,并通过CNN提取其空间特征;4)对预测站点的所有污染物历史浓度数据值提取,通过seq2seq模型架构的编码端提取其时间特征;5)在seq2seq的编码端增加特征注意力机制,编、解码端均采用两层LSTM神经网络,同时解码端引入时间注意力机制,6)拼接得到的时间特征和空间特征来更新下一预测时刻的隐层状态,最后解码端的输出得到预测数据。本发明分别引入了特征和时间注意力,同时将时间和空间特征进行融合,从而有效地提高了数据预测精度。
Description
技术领域
本发明属于环境中污染物的时间序列预测领域,具体提出了一种对空气污染物浓度值的预测方法。
背景技术
随着现代社会的进步和城市化进程的加快,人口和工业的高度聚集,对城市的生态环境带来了许多不利的影响。空气质量是评判环境质量的重要指标,近年来逐渐成为环保部门和人民关心的热点问题。根据世界卫生组织2018年空气污染数据显示世界上每十个人中就有九个呼吸着含有大量污染物的空气,每年因室内外空气污染导致全球约800万人过早死亡,其中约三分之一位于西太平洋地区,而当前亚洲的许多地区空气污染水平仍然很高。
PM2.5为空气污染物的主要污染物,对人体健康影响极大,且是雾霾天气的主要成分。通过对大量PM2.5历史检测浓度值的有效分析,得出PM2.5在天气环境下的演变规律,从而对未来一段时间内空气中PM2.5浓度值进行预测。及时、准确地对未来空气中PM2.5的浓度值进行预测,不仅可以给人们出行活动提供帮助,一定程度上减少空气中PM2.5对人体身体健康的影响;也可以为交通控制做出支持,避免因空气污染而带来的交通事故;同时,使空气质量监测部门能够提前了解空气质量变化趋势,并分析其变化原因,采取有效可行的预防和治理措施,实现更为健康、持续、长远的发展。因此,建立准确、有效的PM2.5预测模型具有十分重要的现实意义。
发明内容
本发明的目的在于针对以上问题提出一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。
本发明通过以下技术方案来实现上述目的:一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,包括以下步骤:
(1)数据收集:收集预测区域环境监测站点发布的污染物浓度数据;污染物浓度数据包括AQI、PM2.5、PM10、CO、SO2、NO2、O3每小时的浓度数据。
(2)预处理:对污染物浓度数据的缺失值利用拉格朗日插值法进行填充,并标准化数据;
(3)CNN提取空间特征:将所述预处理后的数据建立污染物浓度时空矩阵,CNN网络分别通过多层卷积、池化操作提取得到污染物的空间特征;
(4)构建seq2seq结构的注意力模型,将预处理后的数据作为模型的输入数据,经过编码端和解码端输出结果,即为模型的预测数据。
进一步,所述seq2seq结构的注意力模型中seq2seq模型架构由编码端和解码端组成,编码端和解码端均为两层LSTM的神经网络结构,预测值由解码端输出。在所述编码端输入前加入特征注意力机制,解码端输入前加入了时间注意力机制。
进一步,所述编码端和解码端的处理包括,编码端输出上下文向量Ct,该上下文向量与步骤(3)中得到的空间特征Y以及解码端上一时刻的预测值yt-1′进行Concat拼接,更新解码端的隐藏状态。
本发明对污染物历史数据进行了时间和空间层面的特征提取。通过卷积神经网络对污染物浓度时空矩阵进行了卷积、池化操作,有效地得到了空间上的特征。在监测站点的历史数据上利用seq2seq模型架构,基于LSTM神经网络单元的结构在时间层面上有效地提取了特征,并在常规的时间注意力结构下提前添加了一层特征注意力结构,使得可以动态获取PM2.5数据与其他污染物数据之间的关系。从CNN中提取到的空间特征通过Concat的方式与seq2seq模型中的上下文本向量连接,将时间和空间特征进行融合,从而有效地提高数据预测精度。
附图说明
图1是本发明中时空特征的预测模型;
图2是结合了图1中模型的双注意力模型。
具体实施方式
基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其主要实施步骤如下:
步骤一、本发明在对空气质量预测值建模的工程中,首先需要收集预测区域站点的历史空气质量数据。主要包括各个监测站点中AQI、PM2.5、PM10、CO、SO2、NO2、O3每小时的浓度数据,同时还收集了它们的24小时均值数据,其单位均为微克/立方米。
步骤二、在上述步骤一中,由于数据是从各个站点采集而来,可能存在着设备故障或其他人为因素,导致部分数据缺失。为此需要对数据进行预处理,处理步骤如下:
2.1对连续不超过L(如:5)个缺失数据的点根据其前后数据使用拉格朗日插值法填充;对缺失值连续超过L个以上的样本,则直接删去该样本。
2.2对2.1中处理后的数据进行min-max标准化处理
x为原始数据,min为原始数据中的最小值,max为原始数据中最大值,x*为标准化值。
2.3对2.2中处理后的数据按照6:2:2的比例分别划分为训练集,验证集和测试集。
步骤三、构建基于CNN(Convolutional Neural Networks)的时空特征预测模型。本发明主要是针对污染物PM2.5的浓度值进行预测,因此建立了基于监测站点的污染物浓度数据时空矩阵X。X表示从站点s-m+1到站点s总共m个站点中,时间从t-n+1到t总共n个时间点的污染物PM2.5的浓度时空矩阵。m个站点为距离预测站点最近的m个站点。
在CNN卷积神经网络结构中,主要由两个神经网络层组成。一是卷积层,卷积层中的神经元与上一层相连,提取上一层中的局部特征;二是池化层,池化层作用于每个输入的特征并减小其大小。本发明中使用最大池化。
卷积和池化操作
Hc=Conv(X)
Hp=MaxPooling(Hc)
Conv(*)表示卷积操作,MaxPooling(*)表示最大池化。X表示输入的浓度时空矩阵。Hc、Hp分别表示卷积、池化后的结果。
如图1所示,经过多次卷积后,特征最后通过全连接层得到输出。全连接层的计算公式如下:
Y=g(WHi+b)
其中W和b表示CNN模型需要训练的参数,Hi为全连接层的输入,g(*)表示激活函数,Y为全连接层的输出,本发明中的激活函数采用Relu函数。
CNN模型参数设置:
步骤四,构建双注意力机制的seq2seq(sequence to sequence)模型结构。在添加了双注意力机制的seq2seq模型中,模型能够自适应地提取更多信息。seq2seq模型是一种编码-解码(encoder-decoder)结构,本发明中模型的编、解码端均是由两层的LSTM(LongShort-Term Memory)神经网络组成。
在编码端添加一层特征注意力机制,有助于捕捉各个特征与预测目标的动态关系。给定T个输入序列,每个序列包括N个特征,各个特征分别为污染物浓度的标准化值。向其加入特征注意力机制,公式如下:
上式中fe为LSTM网络单元。
因为编码端各个时刻的输入对解码端不同时刻的输出有着不同的影响,为解决此问题,在解码之前加入注意力机制以获得不同的上下文向量,从而使解码端对不同时刻的输入信息有着不同的权重取值。
解码(Decoder)端引入时间注意力机制:
其中vd,wd,Wd,bd均为解码端LSTM神经网络需要训练的参数,St-1分别为解码端LSTM神经网络上一时刻的输出和隐藏态,ho是该时刻的编码端LSTM神经网络的隐藏状态,为t时刻得到的注意力参数,通过softmax函数确定i时刻编码端状态的权重:
通过得到的注意力权重和隐藏状态加权得到上下文向量Context(公式中为Ct,表示t时刻的上下文向量):
hi表示i时刻的隐藏状态,i的取值范围为1到T。T表示时间序列长度。
在解码端,在不同的解码时刻有着不同的上下文向量Ct,代表着对编码端不同时刻的输入有着不同的权重取值,使其对不同时刻采取不一样的关注程度。这是在时间上采取的注意力机制,因此本发明称为时间注意力机制。
解码端部分,在时间层面上,下一时刻的预测值不仅与编码端不同输入时刻的值存在着关联,还与解码端上一时刻的预测值存在关联,因此将上一时刻的预测值yt-1′纳入到对下一时刻的预测中;在空间层面上,监测站点的数据受到周围站点数据的影响,步骤三中获得的空间特征可以与时间特征有效的结合。通过yt-1′与上下文向量Ct、空间特征Y拼接去更新解码端的隐藏状态,作为对下一预测时刻的隐藏状态:
dt=fd(dt-1,[yt-1′;Ct;Y])
fd为解码端LSTM神经网络单元,[;]表示Concat拼接操作,得到新的隐藏状态后就可以得到最后的预测值:
yt′=vy(wy[dt;Ct]+by)+bz
其中vy,wy,by,bz为解码端LSTM需要训练的参数,通过参数vy,bz进行线性变换得到最终的预测值yt′。
Seq2seq模型参数设置:
步骤五:模型的训练过程中,通过反向传播算法来训练网络,采用Adam优化算法。由于是预测问题,所以此处采用均方误差来衡量模型预测效果:
本发明利用CNN提取了污染物浓度数据的空间特征,双注意力seq2seq提取了模型的时间特征,有效地结合了浓度数据的时间和空间特征。预测模型在传统的seq2seq模型基础上添加了双注意力机制,第一个特征注意力机制动态的获得了各个污染物之间的相关性,对不同特征采取了不同的权重取值,以此作为编码端的数据输入。因为编码端各个时刻的输入对解码端不同时刻的输出有着不同的影响,为此引入了第二个时间注意力机制,时间注意力机制使得解码端的不同输出时刻对输入端不同输入时刻的有着不同关注度。双注意力机制是在时间层面上对特征信息的提取,CNN对预测站点和相近站点的数据在空间上进行特征信息的提取,同时考虑到预测序列中上一预测值与下一预测值之间存在着相关性,将上一预测结果与时间特征信息,空间特征信息进行结合,得到下一预测过程中的隐藏状态。最终通过该模型获得污染物的预测值。
Claims (8)
1.一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于,包括以下步骤:
(1)数据收集:收集预测区域环境监测站点发布的污染物浓度数据;
(2)预处理:对污染物浓度数据的缺失值利用拉格朗日插值法进行填充,并标准化数据;
(3)CNN提取空间特征:将所述预处理后的数据建立污染物浓度时空矩阵,CNN网络分别通过多层卷积、池化操作提取得到污染物的空间特征;
(4)构建seq2seq结构的注意力模型,将预处理后的数据作为模型的输入数据,经过编码端和解码端输出结果,即为模型的预测数据。
2.根据权利要求1所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:所述污染物浓度数据包括AQI、PM2.5、PM10、CO、SO2、NO2、O3每小时的浓度数据。
4.根据权利要求1所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:所述seq2seq结构的注意力模型中seq2seq模型架构由编码端和解码端组成,编码端和解码端均为两层LSTM的神经网络结构,预测值由解码端输出。
5.根据权利要求4所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:在所述编码端输入前加入特征注意力机制,解码端输入前加入了时间注意力机制。
6.根据权利要求1或5所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:所述编码端和解码端的处理包括,编码端输出上下文向量,该上下文向量与步骤(3)中得到的空间特征进行Concat拼接得到新的上下文向量,将新的上下文向量作为解码端的输入。
7.根据权利要求1所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:所述污染物浓度时空矩阵包括预测站点和其相近站点污染物历史数据。
8.根据权利要求1所述一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法,其特征在于:所述解码端通过上一时刻的预测值yt-1′与上下文向量Ct、空间特征Y拼接后去更新解码端的隐藏状态,并通过新的隐藏状态得到预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282630.1A CN111160628A (zh) | 2019-12-13 | 2019-12-13 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282630.1A CN111160628A (zh) | 2019-12-13 | 2019-12-13 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160628A true CN111160628A (zh) | 2020-05-15 |
Family
ID=70556945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911282630.1A Pending CN111160628A (zh) | 2019-12-13 | 2019-12-13 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160628A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553543A (zh) * | 2020-05-18 | 2020-08-18 | 润联软件系统(深圳)有限公司 | 基于TPA-Seq2Seq的电力负荷预测方法及相关组件 |
CN111680619A (zh) * | 2020-06-05 | 2020-09-18 | 大连大学 | 基于卷积神经网络和双注意力机制的行人检测方法 |
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 |
CN111832814A (zh) * | 2020-07-01 | 2020-10-27 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112580859A (zh) * | 2020-06-01 | 2021-03-30 | 北京理工大学 | 一种基于全局注意力机制的雾霾预测方法 |
CN112633584A (zh) * | 2020-12-29 | 2021-04-09 | 中国地质大学(武汉) | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN112906941A (zh) * | 2021-01-21 | 2021-06-04 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及系统 |
CN112948743A (zh) * | 2021-03-26 | 2021-06-11 | 重庆邮电大学 | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 |
CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
CN113188968A (zh) * | 2021-05-06 | 2021-07-30 | 长沙理工大学 | 基于组合深度学习模型的空气污染物浓度预测方法及系统 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113837487A (zh) * | 2021-10-13 | 2021-12-24 | 国网湖南省电力有限公司 | 基于组合模型的电力系统负荷预测方法 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
CN113935190A (zh) * | 2021-11-02 | 2022-01-14 | 重庆邮电大学 | 基于张量表示的空气污染物浓度精准化监测方法及系统 |
CN114819338A (zh) * | 2022-04-25 | 2022-07-29 | 上海海洋大学 | 基于双注意力机制的多要素海表面温度预测方法 |
CN114819253A (zh) * | 2022-03-02 | 2022-07-29 | 湖北大学 | 城市人群聚集热点区域预测方法、系统、介质及终端 |
CN115545316A (zh) * | 2022-10-12 | 2022-12-30 | 陕西理工大学 | 基于深度学习混合模型的大气臭氧预测方法 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN116910457A (zh) * | 2023-09-13 | 2023-10-20 | 北京师范大学 | 一种基于区域的污染物反演方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN110276439A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于注意力机制的时间序列预测方法、装置及存储介质 |
-
2019
- 2019-12-13 CN CN201911282630.1A patent/CN111160628A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN110276439A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于注意力机制的时间序列预测方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
HAO WANG等: "Deep Inferential Spatial-Temporal Network for Forecasting Air Pollution Concentrations", 《ARXIV.ORG/ABS/1809.03964》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553543A (zh) * | 2020-05-18 | 2020-08-18 | 润联软件系统(深圳)有限公司 | 基于TPA-Seq2Seq的电力负荷预测方法及相关组件 |
CN112580859A (zh) * | 2020-06-01 | 2021-03-30 | 北京理工大学 | 一种基于全局注意力机制的雾霾预测方法 |
CN111680619A (zh) * | 2020-06-05 | 2020-09-18 | 大连大学 | 基于卷积神经网络和双注意力机制的行人检测方法 |
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 |
CN111832814A (zh) * | 2020-07-01 | 2020-10-27 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN111832814B (zh) * | 2020-07-01 | 2023-06-23 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112288156B (zh) * | 2020-10-26 | 2023-03-31 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112633584B (zh) * | 2020-12-29 | 2022-06-21 | 中国地质大学(武汉) | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
CN112633584A (zh) * | 2020-12-29 | 2021-04-09 | 中国地质大学(武汉) | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN112906941B (zh) * | 2021-01-21 | 2022-12-06 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及系统 |
CN112906941A (zh) * | 2021-01-21 | 2021-06-04 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及系统 |
CN112948743A (zh) * | 2021-03-26 | 2021-06-11 | 重庆邮电大学 | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 |
CN112948743B (zh) * | 2021-03-26 | 2022-05-03 | 重庆邮电大学 | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 |
CN113128113B (zh) * | 2021-04-14 | 2024-04-12 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
CN113188968A (zh) * | 2021-05-06 | 2021-07-30 | 长沙理工大学 | 基于组合深度学习模型的空气污染物浓度预测方法及系统 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113326981B (zh) * | 2021-05-26 | 2024-05-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
CN113837487A (zh) * | 2021-10-13 | 2021-12-24 | 国网湖南省电力有限公司 | 基于组合模型的电力系统负荷预测方法 |
CN113919231A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 |
CN113935190A (zh) * | 2021-11-02 | 2022-01-14 | 重庆邮电大学 | 基于张量表示的空气污染物浓度精准化监测方法及系统 |
CN114819253A (zh) * | 2022-03-02 | 2022-07-29 | 湖北大学 | 城市人群聚集热点区域预测方法、系统、介质及终端 |
CN114819338A (zh) * | 2022-04-25 | 2022-07-29 | 上海海洋大学 | 基于双注意力机制的多要素海表面温度预测方法 |
CN115545316A (zh) * | 2022-10-12 | 2022-12-30 | 陕西理工大学 | 基于深度学习混合模型的大气臭氧预测方法 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN115808944B (zh) * | 2023-02-09 | 2023-06-02 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN116910457A (zh) * | 2023-09-13 | 2023-10-20 | 北京师范大学 | 一种基于区域的污染物反演方法和装置 |
CN116910457B (zh) * | 2023-09-13 | 2023-12-08 | 北京师范大学 | 一种基于区域的污染物反演方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160628A (zh) | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN111832814B (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
WO2024001942A1 (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
CN113807432B (zh) | 一种基于深度学习的气温预报数据订正方法 | |
CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN111400371A (zh) | 一种基于电压相关性校验的户变关系识别方法 | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN111523706B (zh) | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN114781538B (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
CN112733307B (zh) | 一种供暖季城市天然气负荷预测方法及装置 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN112183897A (zh) | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN113327022A (zh) | 一种防雷安全风险管理系统及方法 | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN115100549A (zh) | 一种基于改进YOLOv5的输电线路金具检测方法 |
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 |
Application publication date: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |