CN111401605A - 大气污染的可解释预测方法 - Google Patents

大气污染的可解释预测方法 Download PDF

Info

Publication number
CN111401605A
CN111401605A CN202010096084.9A CN202010096084A CN111401605A CN 111401605 A CN111401605 A CN 111401605A CN 202010096084 A CN202010096084 A CN 202010096084A CN 111401605 A CN111401605 A CN 111401605A
Authority
CN
China
Prior art keywords
atmospheric pollution
interpretable
node
state
formula
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.)
Granted
Application number
CN202010096084.9A
Other languages
English (en)
Other versions
CN111401605B (zh
Inventor
彭珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Petrochemical Technology
Original Assignee
Beijing Institute of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Petrochemical Technology filed Critical Beijing Institute of Petrochemical Technology
Priority to CN202010096084.9A priority Critical patent/CN111401605B/zh
Publication of CN111401605A publication Critical patent/CN111401605A/zh
Application granted granted Critical
Publication of CN111401605B publication Critical patent/CN111401605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned 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
    • G06N3/045—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种大气污染的可解释预测方法，包括如下步骤：①大气污染的可解释预测建模；②大气污染可解释预测模型中动态关系的构建；③大气污染可解释预测模型中周期性因素的构建；④大气污染的时间序列挖掘方法；⑤大气污染的可解释性度量方法。针对大气污染系统动态预测中无法对预测结果进行有效解析这一缺陷，提出融合深度神经网络表达大气污染系统动态关系，构建大气污染可解释预测模型，进行大气污染可解释预测的时间序列挖掘与可解释度量，是一种基于数据驱动的大气污染动态建模与动态解析方法，具有创新性。

Description

大气污染的可解释预测方法
技术领域
本发明是一种用于大气污染的可解释预测方法，属于大气污染技术领域。
背景技术
大气污染已成为当前全球关注的热点问题。随着物联网等监测技术的发展，污染大数据已成为大气污染研究的基础。“黑盒子”的深度学习模型在大气污染预测方面取得了很大进步，但大多数深度学习应用程序都是面向性能的而不是面向解释的，难以揭示包含的复杂关系，造成无法对预测结果进行有效解析。而现有大气污染的因素解析都是对过去大气污染系统中各因素的分析，不能实现对未来预测进行事先的因果分析，即可解释预测。
为此，本发明提出一种大气污染的可解释预测方法，首先构建大气污染的可解释预测模型，基于该模型可实现对大气污染排放浓度的高效预测，同时根据预测结果可对大气污染因素进行有效解析。
发明内容
本发明解决的技术问题：
针对大气污染预测无法解释这一不足，为大气污染构建可解释预测模型，进行大气污染浓度排放的预测，并对预测结果进行大气污染因素分析。
本发明的技术方案：
本发明首先建立大气污染的可解释预测模型，然后根据该模型进行大气污染浓度排放的预测，最后根据预测结果进行大气污染影响因素的分析。
①大气污染的可解释预测建模
根据污染物产生的原理，已知大气污染是污染物与气象条件共同作用造成的。如图1所示，既受密切相关。大气污染是由多个污染物组成，每种污染物浓度可能受其他污染物影响，又与气象条件密切相关，因此，t时大气某污染物浓度是上一时间段监测到的污染排放浓度与气象条件函数，还可能受其他未知的周期性因素的影响。据此，建立大气某污染物浓度的可解释预测模型，如公式(1)：
Figure BDA0002385402210000021
其中，
Figure BDA0002385402210000022
为污染物j在t+1时段的浓度，f为状态变换函数，A(t)为大气污染物排放浓度与气象在t时段的状态，gj(·)为A(t)的动态函数，uj(t)为其他影响大气污染的未知周期性因素。
②大气污染可解释预测模型中动态关系的构建
gj(·)为A(t)的动态函数，定义它为一个深度神经网络，其展开结构如图2所示，它包括k层，其中的第i层结点状态集表达为
Figure BDA0002385402210000023
A(t)可表示为
Figure BDA0002385402210000024
是t时i层中第m个结点的状态，
Figure BDA0002385402210000025
是t时i-1层中第n个结点的状态，结构内部i-1层结点n到i层结点m的权重v(nm，i),Mi-1为第i-1层结点的个数。其中的任意结点状态表达为公式(2)：
Figure BDA0002385402210000026
这里可选用ReLU(·)作为单元激活函数：
Figure BDA0002385402210000027
ReLU(·)作为激活函数的理由是，能保证在A(t)都为零时gj(A(t))＝0，并且，若将A(t)可看作
Figure BDA0002385402210000028
动态关系gj(A(t))可看作A(t)的输出
Figure BDA0002385402210000029
是t时k+1层中第j个结点的状态，
Figure BDA00023854022100000210
是t时k层中第n个结点的状态，v(nj，k+1)结构内部k层结点n到k+1层结点j的权重定义为公式(3)：
Figure BDA0002385402210000031
可以看到，gj(A(t))与A(t)有密切关系，A(t)随时间t变化，是一个动态关系。
③大气污染可解释预测模型中周期性因素的构建
uj(t)为其他影响大气污染的未知周期性因素，使用循环神经网络表示为它，如公式(4):
uj(t)＝RNN(t，mod(t，τ)，uj(t-1)) (4)
它包括时间t，mod(t，τ)是时间t对周期长度τ取模运算与历史状态uj(t-1)。
根据公式(1)得到周期性因素的初始值uj(1)，它为f函数的逆，如公式(5):
Figure BDA0002385402210000032
其中
Figure BDA0002385402210000033
为污染物j在第2时段的浓度，在gj(A(1))为大气污染物排放浓度与气象在第1时段A(1)时对大气污染影响的动态关系。
④大气污染的时间序列挖掘方法
定义公式(1)中
Figure BDA0002385402210000034
假设
Figure BDA0002385402210000035
的预测值
Figure BDA0002385402210000036
其中v为gj的权重参数。通过最小化损失函数Loss(v)＝求解其中的参数v：
Figure BDA0002385402210000037
基于梯度下降法求解损失函数，即
Figure BDA0002385402210000038
可对公式(3)求偏导得到。
⑤大气污染的可解释性度量方法
大气污染的可解释预测模型的优势在于不仅能进行高效预测，还能够揭示系统中的动态关系。定义
Figure BDA0002385402210000039
表达t时概念状态
Figure BDA00023854022100000310
的变化作用下对概念状态
Figure BDA00023854022100000311
的影响。因此，根据公式(3)，动态可解释度量
Figure BDA00023854022100000312
为(8)：
Figure BDA00023854022100000313
可根据公式(3)求偏导得到。
本发明的优点：
针对大气污染系统动态预测中无法对预测结果进行有效解析这一缺陷，提出融合深度神经网络表达大气污染系统动态关系，构建大气污染可解释预测模型，进行大气污染可解释预测的时间序列挖掘与可解释度量，是一种基于数据驱动的大气污染动态建模与动态解析方法，具有创新性。
附图说明
图1是大气污染的可解释预测模型示意图。
图2是大气污染可解释预测模型的动态关系示意图。
具体实施方式
我们使用的是北京2017年1月-2018年1月的空气质量时间序列数据集，它包括4个气象指标(气温、气压、湿度、风速)和5个污染物指标(PM2.5、NO2、CO、O3、SO2)，定义上述9个指标的一般形式为：
Figure BDA0002385402210000041
j∈{气温，气压，湿度，风速，PM2.5，NO2，CO，O3，SO2}。
其中
Figure BDA0002385402210000042
表示指标j在1时段的数值，
Figure BDA0002385402210000043
表示指标j在t时段的数值，
Figure BDA0002385402210000044
表示指标j在T时段的数值，时间序列从1时(2017年1月30日16：00时)到T(2018年1月31日15：00时)时段，时间间隔为1小时。
第一步，模糊化处理数据，将原始数据即每个指标的
Figure BDA0002385402210000045
转换为[0,1]区间的状态值
Figure BDA0002385402210000046
转换过程是：
Figure BDA0002385402210000047
第二步，基于公式(1),对4个气象指标和5个污染物指标构建大气污染可解释预测模型。
Figure BDA0002385402210000051
t从1时(2017年1月30日16：00时)到T-1时(2018年1月31日14：00时)
第三步，根据公式(2)构建大气污染可解释预测模型的动态关系。构建了1层结构：
Figure BDA0002385402210000052
3层结构：
Figure BDA0002385402210000053
t从1时(2017年1月30日16：00时)到T-1时(2018年1月31日14：00时)
第四步，根据公式(4)构建大气污染可解释预测模型的周期性因素。
uj(t)＝RNN(t，mod(t，τ)，uj(t-1))
t∈[2，T-1],即从2017年1月30日17：00时到2018年1月31日14：00时,t＝1时，
Figure BDA0002385402210000054
设周期长度为三个月τ＝3。
第五步，空气质量时间序列数据驱动，进行大气污染的时间序列挖掘，即根据公式(7)得到
Figure BDA0002385402210000055
与
Figure BDA0002385402210000056
中的参数v的调整方法
Figure BDA0002385402210000057
第六步，根据公式(8)进行大气污染的可解释性度量得到可解释度量值，得到t时任意结点i到结点j的度量值
Figure BDA0002385402210000058
其平均值如下表1所示。
表1
Figure BDA0002385402210000059
Figure BDA0002385402210000061
第七步，定义均方差函数
Figure BDA0002385402210000062
衡量污染物j在t时状态
Figure BDA0002385402210000063
与其预测值
Figure BDA0002385402210000064
的误差大小，预测值
Figure BDA0002385402210000065
是根据公式(1)得到的,在1层与3层结构的预测误差如表2所示。
表2
Figure BDA0002385402210000066

Claims (1)

1.一种大气污染的可解释预测方法，其特征在于，包括如下步骤：
①大气污染的可解释预测建模
大气污染是由多个污染物组成，每种污染物浓度还受其他污染物影响，又与气象条件密切相关，因此，t时大气某污染物浓度是上一时间段监测到的污染排放浓度与气象条件函数，还受其他未知的周期性因素的影响；据此，建立大气某污染物浓度的可解释预测模型，如公式(1)：
Figure FDA0002385402200000011
其中，
Figure FDA0002385402200000012
为污染物j在t+1时段的浓度，f为状态变换函数，A(t)为大气污染物排放浓度与气象在t时段的状态，gj(.)为A(t)的动态函数，uj(t)为其他影响大气污染的未知周期性因素；
②大气污染可解释预测模型中动态关系的构建
gj(.)为A(t)的动态函数，定义它为一个深度神经网络，它包括k层，其中的第i层结点状态集表达为
Figure FDA0002385402200000013
A(t)表示为
Figure FDA0002385402200000014
是t时i层中第m个结点的状态，
Figure FDA0002385402200000015
是t时i-1层中第n个结点的状态，结构内部i-1层结点n到i层结点m的权重v(nm，i)，Mi-1为第i-1层结点的个数；其中的任意结点状态表达为公式(2)：
Figure FDA0002385402200000016
选用ReLU(·)作为单元激活函数：
Figure FDA0002385402200000017
ReLU(·)作为激活函数的理由是，能保证在A(t)都为零时gj(A(t))＝0，并且，若将A(t)看作
Figure FDA0002385402200000018
动态关系gj(A(t))看作A(t)的输出
Figure FDA0002385402200000019
是t时k+1层中第j个结点的状态，
Figure FDA0002385402200000021
是t时k层中第n个结点的状态，v(nj，k+1)结构内部k层结点n到k+1层结点j的权重定义为公式(3)：
Figure FDA0002385402200000022
gj(A(t))与A(t)有密切关系，A(t)随时间t变化，是一个动态关系；
③大气污染可解释预测模型中周期性因素的构建
uj(t)为其他影响大气污染的未知周期性因素，使用循环神经网络表示为它，如公式(4)：
uj(t)＝RNN(t，mod(t，τ)，uj(t-1)) (4)
它包括时间t，mod(t，τ)是时间t对周期长度τ取模运算与历史状态uj(t-1)；
根据公式(1)得到周期性因素的初始值uj(1)，它为f函数的逆，如公式(5)：
Figure FDA0002385402200000023
其中
Figure FDA0002385402200000024
为污染物j在第2时段的浓度，在gj(A(1))为大气污染物排放浓度与气象在第1时段A(1)时对大气污染影响的动态关系；
④大气污染的时间序列挖掘方法
定义公式(1)中
Figure FDA0002385402200000025
假设
Figure FDA0002385402200000026
的预测值
Figure FDA0002385402200000027
其中v为gj的权重参数；通过最小化损失函数Loss(v)＝求解其中的参数v：
Figure FDA0002385402200000028
基于梯度下降法求解损失函数，即
Figure FDA0002385402200000029
对公式(3)求偏导得到；
⑤大气污染的可解释性度量方法
定义
Figure FDA00023854022000000210
表达t时概念状态
Figure FDA00023854022000000211
的变化作用下对概念状态
Figure FDA00023854022000000212
的影响；因此，根据公式(3)，动态可解释度量
Figure FDA00023854022000000213
为(8)：
Figure FDA0002385402200000031
根据公式(3)求偏导得到。
CN202010096084.9A 2020-02-17 2020-02-17 大气污染的可解释预测方法 Active CN111401605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010096084.9A CN111401605B (zh) 2020-02-17 2020-02-17 大气污染的可解释预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010096084.9A CN111401605B (zh) 2020-02-17 2020-02-17 大气污染的可解释预测方法

Publications (2)

Publication Number Publication Date
CN111401605A true CN111401605A (zh) 2020-07-10
CN111401605B CN111401605B (zh) 2023-05-02

Family

ID=71436029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010096084.9A Active CN111401605B (zh) 2020-02-17 2020-02-17 大气污染的可解释预测方法

Country Status (1)

Country Link
CN (1) CN111401605B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320843A (zh) * 2015-10-30 2016-02-10 中山大学 一种大气污染物浓度影响要素定量分析的方法
CN106778838A (zh) * 2016-11-29 2017-05-31 北京科技大学 一种预测空气质量的方法
CN107133686A (zh) * 2017-03-30 2017-09-05 大连理工大学 基于时空数据模型的城市级pm2.5浓度预测方法
US20180321208A1 (en) * 2017-05-04 2018-11-08 International Business Machines Corporation Determining the net emissions of air pollutants
CN108875960A (zh) * 2018-06-11 2018-11-23 深圳大学 一种基于梯度下降的时序模糊认知图的学习方法及系统
WO2018214060A1 (zh) * 2017-05-24 2018-11-29 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN109492830A (zh) * 2018-12-17 2019-03-19 杭州电子科技大学 一种基于时空深度学习的移动污染源排放浓度预测方法
CN109492760A (zh) * 2018-12-21 2019-03-19 北京航空航天大学 基于深度模糊认知图模型的可解释预测方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320843A (zh) * 2015-10-30 2016-02-10 中山大学 一种大气污染物浓度影响要素定量分析的方法
CN106778838A (zh) * 2016-11-29 2017-05-31 北京科技大学 一种预测空气质量的方法
CN107133686A (zh) * 2017-03-30 2017-09-05 大连理工大学 基于时空数据模型的城市级pm2.5浓度预测方法
US20180321208A1 (en) * 2017-05-04 2018-11-08 International Business Machines Corporation Determining the net emissions of air pollutants
WO2018214060A1 (zh) * 2017-05-24 2018-11-29 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN108875960A (zh) * 2018-06-11 2018-11-23 深圳大学 一种基于梯度下降的时序模糊认知图的学习方法及系统
CN109492830A (zh) * 2018-12-17 2019-03-19 杭州电子科技大学 一种基于时空深度学习的移动污染源排放浓度预测方法
CN109492760A (zh) * 2018-12-21 2019-03-19 北京航空航天大学 基于深度模糊认知图模型的可解释预测方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
XINGHAN XU 等: "Multitask Air-Quality Prediction Based on LSTM-Autoencoder Model" *
ZHEN PENG 等: "A New Perspective on Formation of Haze-Fog: The Fuzzy Cognitive Map and Its Approaches to Data Mining" *
李博群 等: "基于模糊时间序列的空气质量指数预测" *
解铭 等: "自适应神经模糊推理系统在交通污染物浓度预测中的应用" *
陈伟 等: "基于小波分解和SVM的城市大气污染浓度预测" *
韩伟 等: "基于全连接和LSTM神经网络的空气污染物预测" *

Also Published As

Publication number Publication date
CN111401605B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111832814B (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN111899510B (zh) 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
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
CN111008728B (zh) 一种用于分布式光伏发电系统短期出力的预测方法
CN106611090B (zh) 一种基于重构深度学习的道边空气污染物浓度预测方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN106529818B (zh) 基于模糊小波神经网络的水质评价预测方法
CN109146161A (zh) 融合栈式自编码和支持向量回归的pm2.5浓度预测方法
CN108537336B (zh) 一种基于深度神经网络的空气质量预测方法
Yan et al. Encoder-decoder model for forecast of PM2. 5 concentration per hour
Wang et al. Pm2. 5 prediction based on neural network
CN114841400A (zh) 基于多任务时空图卷积的空气质量预测方法
CN109615147A (zh) 一种未来72小时大气污染预报预警方法
CN114694767B (zh) 基于时空图常微分方程网络的pm2.5浓度预测方法
CN111141879B (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN115860286A (zh) 一种基于时序门机制的空气质量预测方法及系统
Huang et al. Error-driven chained multiple-subnetwork echo state network for time-series prediction
Han et al. Multi-step prediction for the network traffic based on echo state network optimized by quantum-behaved fruit fly optimization algorithm
CN111401605A (zh) 大气污染的可解释预测方法
CN117113054A (zh) 一种基于图神经网络和Transformer的多元时间序列预测方法
Gomathi et al. Real time air pollution prediction in urban cities using deep learning algorithms and IoT
CN115730526A (zh) 一种机场用电负荷的智能监控和预测方法及系统
CN115759185A (zh) 基于Elman神经网络变压器油色谱特征气体的预测方法
CN113051837A (zh) 一种基于气象参数的dlstm电力负荷预测方法和装置
Ighravwe et al. Development of artificial neural networks for an energy storage system generated power prediction

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
GR01 Patent grant
GR01 Patent grant