CN113240170A - 一种基于季节性循环神经网络的空气质量预测方法 - Google Patents

一种基于季节性循环神经网络的空气质量预测方法 Download PDF

Info

Publication number
CN113240170A
CN113240170A CN202110504232.0A CN202110504232A CN113240170A CN 113240170 A CN113240170 A CN 113240170A CN 202110504232 A CN202110504232 A CN 202110504232A CN 113240170 A CN113240170 A CN 113240170A
Authority
CN
China
Prior art keywords
seasonal
component
air quality
data
time
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
Application number
CN202110504232.0A
Other languages
English (en)
Inventor
万林
王红平
朱榕榕
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110504232.0A priority Critical patent/CN113240170A/zh
Publication of CN113240170A publication Critical patent/CN113240170A/zh
Pending legal-status Critical Current

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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/049—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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种基于季节性循环神经网络的空气质量预测方法，包括记录长时序空气质量监测站点数据；对监测站点数据进行预处理，分析空气质量长时序监测数据季节性和周期性变化特征，确定其季节变化频率；根据空气质量监测参数的季节性和周期性的时序变化特征进行时序分解，生成趋势性分量、季节性分量及残差分量；构建大批量训练样本，并初步建立三通道循环神经网络，通过训练得到最优的三通道循环网络模型；利用最优三通道循环网络模型，根据历史值对各分量未来值进行预测，得到趋势性分量预测值、季节性分量预测值和残差分量预测值；整合各分量预测结果，形成最终空气质量预测值序列。

Description

一种基于季节性循环神经网络的空气质量预测方法
技术领域
本发明涉及电子信息技术领域，尤其涉及一种基于季节性循环神经网络的空气质量预测方法。
背景技术
当前，空气质量状况、环境污染等已逐渐成为全国甚至全世界密切关注的热点话题，空气质量问题主要表现为城市空气污染，已成为了世界性的环境质量治理问题。了解并预测空气质量发展对于大众出行、环境防治以及城市管理等具有重要意义。传统空气质量预测方法如ARIMA等难以准确提取空气质量监测时序的非线性复杂特征，而快速发展的深度学习方法虽具有强大的非线性拟合能力，可通过数据驱动的方式实现复杂非线性序列的预测，然而，其未考虑空气质量监测时序的周期性、季节性特征，预测精度及可解释性有限。
发明内容
有鉴于此，本发明目的是提供一种基于季节性循环神经网络的空气质量预测方法，包括以下步骤：
S1、记录长时序空气质量监测站点数据；
S2、对长时序空气质量监测站点数据进行预处理，包括缺失值插补和异常值剔除；
S3、分析空气质量长时序监测数据季节性和周期性变化特征，确定其季节变化频率；
S4、根据空气质量监测参数的季节性和周期性的时序变化特征进行时序分解，生成趋势性分量、季节性分量及残差分量；
S5、根据预测需求，构建大批量训练样本，并初步建立三通道循环神经网络，各通道网络分别对应于趋势性分量、季节性分量及残差分量的预测任务，通过训练得到最优的三通道循环网络模型；
S6、利用最优三通道循环网络模型，根据历史值对各分量未来值进行预测，得到趋势性分量预测值
Figure BDA0003057688400000021
季节性分量预测值
Figure BDA0003057688400000022
和残差分量预测值
Figure BDA0003057688400000023
S7、整合各分量预测结果，形成最终空气质量预测值序列；
Figure BDA0003057688400000024
S8、将得到的预测值与实际值进行对比，评估指标包括相关系数r、拟合度R2、均方根误差RMSE以及平均绝对误差MAE。
本发明提供的技术方案带来的有益效果是：利用空气质量的季节性和周期性特征，有效提高了空气质量的预测精度，其中对于PM2.5单步预测，拟合度大于0.96。
附图说明
图1是季节性循环神经网络的结构图；
图2是本发明一种基于季节性循环神经网络的空气质量预测方法数据站点分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明提供了图1是本发明一种基于季节性循环神经网络的空气质量预测方法；具体包括以下步骤：
S1、记录长时序空气质量监测站点数据；如温度、风速、PM2.5监测参数信息、监测位置信息、监测时间信息以及站点ID等，并建立关系型数据库，其中，监测位置用经纬度坐标表示；监测时间信息为采样时间信息；
S2、对长时序空气质量监测站点数据进行预处理，包括缺失值插补和异常值剔除，具体步骤包括：
S21：根据各监测数据的阈值信息对异常值进行剔除；
S22：对有缺失数据的参数数据构建时空矩阵，其中行为空间位置、列为时间；
S23：对有数据缺失的行构建时间序列，并通过SES方法对时间序列中的缺失数据进行插补；
S24：对有数据缺失的列，根据各监测站点的经纬度信息构建空间图网络，采用Kriging插值方法对缺失数据进行插补；
S25：对于有数据缺失的时空矩阵，每一个缺失值均有两个插补结果OSES和OKriging，最终缺失数据补全结果O＝(OSES+OKriging)/2。
S3、分析空气质量长时序监测数据季节性和周期性变化特征，确定其季节变化频率；
S4、根据空气质量监测参数的季节性和周期性的时序变化特征进行时序分解，生成趋势性分量、季节性分量及残差分量，具体如下：
S41：通过滑动平均方法估计趋势周期；
滑动平均法设定固定的滑动窗口，通过时序顺序平移计算移动平均值，从而消除偶然变动因素的影响，
Figure BDA0003057688400000041
表示估计的趋势，m表示滑动窗口的大小，c为一个常量，
Figure BDA0003057688400000042
j为[-c,c]之间变化的整数变量，yt+j为t+j时刻的原始序列大小，则t时刻的趋势周期分量：
Figure BDA0003057688400000043
S42：计算去趋势序列
Figure BDA0003057688400000044
S43：估算每个季节的季节性分量，将该季节的去趋势值取平均即可，得到所有的季节性分量，记作
Figure BDA0003057688400000045
S44：残差分量通过原始序列减去估计的季节和趋势周期分量来计算：
Figure BDA0003057688400000046
S5、根据预测需求，构建大批量训练样本，并初步建立三通道循环神经网络，各通道网络分别对应于趋势性分量、季节性分量及残差分量的预测任务，通过训练得到最优的三通道循环网络模型，具体步骤包括：
S51：确定三通道循环神经网络结构，包括输入层、隐含层和输出层；
S52：经过多次实验确定最优网络结构，即确定隐含层数及每一个隐含层的节点数，确定用于未来值预测的历史帧数为d，对应于输入层神经元个数；
S53：模型的训练阶段，首先随机初始化权重，Batchsize设置为32，初始学习率设置为0.001，损失函数采用L2 loss，并使用RMSprop优化器，通过多次训练实验，确定学习率衰减策略及最优参数；
S54：重复S51-S53，直至对趋势性分量、季节性分量及残差分量均完成模型构建与最优参数选择；
S55：保存最优的三通道循环神经网络模型的结构及参数。
S6、利用最优三通道循环网络模型，根据历史值对各分量未来值进行预测，得到趋势性分量预测值
Figure BDA0003057688400000047
季节性分量预测值
Figure BDA0003057688400000048
和残差分量预测值
Figure BDA0003057688400000049
S7、整合各分量预测结果，形成最终空气质量预测值序列；
Figure BDA0003057688400000051
S8、将得到的预测值与实际值进行对比，评估指标包括相关系数r、拟合度R2、均方根误差RMSE以及平均绝对误差MAE；计算公式分别如下：
(1)相关系数r
Figure BDA0003057688400000052
采用相关系数对真实值序列与预测序列之间的相关性进行度量，r越接近1表明预测效果越好；
(2)拟合度R2
Figure BDA0003057688400000053
R2最大值为1，最小值为0，R2的值越接近1，说明回归直线对真实值的拟合度越好；反之，R2的值越小，说明拟合度越差；
(3)平均绝对误差MAE
Figure BDA0003057688400000054
平均绝对误差表示预测值和真实值之间绝对误差的平均值，值越小表明预测性能越优；
(4)均方根误差RMSE
Figure BDA0003057688400000055
均方根误差提供对预测误差的整体度量，RMSE越小表明预测模型性能越优。
请参考图2，本实施例以北京市36个空气站点2014年5月1日至2015年4月30日时间跨度的PM2.5、PM10、NO2这三种大气污染物小时浓度为研究对象，2014年5月1日-2014年12月31日数据作为训练，2015年1月1日-2015年4月30日作为测试，预测精度相比传统模型有较大提升。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于季节性循环神经网络的空气质量预测方法，其特征在于，包括以下步骤：
S1、记录长时序空气质量监测站点数据；
S2、对长时序空气质量监测站点数据进行预处理，包括缺失值插补和异常值剔除；
S3、分析预处理之后的空气质量长时序监测数据季节性和周期性变化特征，确定其季节变化频率；
S4、根据空气质量监测数据的季节性和周期性的时序变化特征进行时序分解，生成趋势性分量、季节性分量及残差分量；
S5、根据预测需求，构建大批量训练样本，并初步建立三通道循环神经网络，各通道网络分别对应于趋势性分量、季节性分量及残差分量的预测任务，通过训练得到最优的三通道循环网络模型；
S6、利用最优三通道循环网络模型，根据历史值对各分量未来值进行预测，得到趋势性分量预测值
Figure FDA0003057688390000011
季节性分量预测值
Figure FDA0003057688390000012
和残差分量预测值
Figure FDA0003057688390000013
S7、整合各分量预测结果，形成最终空气质量预测值序列；
Figure FDA0003057688390000014
S8、将得到的预测值与实际值进行对比，评估指标包括相关系数r、拟合度R2、均方根误差RMSE以及平均绝对误差MAE。
2.根据权利要求1所述的一种基于季节性循环神经网络的空气质量预测方法，其特征在于，所述S1中长时序空气质量监测站点数据包括温度、风速、PM2.5监测参数信息、监测位置信息、监测时间信息以及站点ID，其中，监测位置用经纬度坐标表示；监测时间信息为采样时间信息。
3.根据权利要求1所述的一种基于季节性循环神经网络的空气质量预测方法，其特征在于，所述S2具体步骤包括：
S21：根据各监测数据的阈值信息对异常值进行剔除；
S22：对有缺失数据的参数数据构建时空矩阵，其中行为空间位置、列为时间；
S23：对有数据缺失的行构建时间序列，并通过SES方法对时间序列中的缺失数据进行插补；
S24：对有数据缺失的列，根据各监测站点的经纬度信息构建空间图网络，采用Kriging插值方法对缺失数据进行插补；
S25：对于有数据缺失的时空矩阵，每一个缺失值均有两个插补结果OSES和OKriging，最终缺失数据补全结果O＝(OSES+OKriging)/2。
4.根据权利要求1所述的一种基于季节性循环神经网络的空气质量预测方法，其特征在于，所述S4具体步骤包括：
S41：通过滑动平均方法估计趋势周期；
滑动平均法设定固定的滑动窗口，通过时序顺序平移计算移动平均值，从而消除偶然变动因素的影响，
Figure FDA0003057688390000021
表示估计的趋势，m表示滑动窗口的大小，c为一个常量，
Figure FDA0003057688390000022
j为[-c,c]之间变化的整数变量，yt+j为t+j时刻的原始序列大小，则t时刻的趋势周期分量：
Figure FDA0003057688390000023
S42：计算去趋势序列
Figure FDA0003057688390000024
S43：估算每个季节的季节性分量，将该季节的去趋势值取平均即可，得到所有的季节性分量，记作
Figure FDA0003057688390000025
S44：残差分量通过原始序列减去估计的季节和趋势周期分量来计算：
Figure FDA0003057688390000026
5.根据权利要求1所述的一种基于季节性循环神经网络的空气质量预测方法，其特征在于，所述S5具体步骤包括：
S51：确定三通道循环神经网络结构，包括输入层、隐含层和输出层；
S52：经过多次实验确定最优网络结构，即确定隐含层数及每一个隐含层的节点数，确定用于未来值预测的历史帧数为d，对应于输入层神经元个数；
S53：模型的训练阶段，首先随机初始化权重，Batchsize设置为32，初始学习率设置为0.001，损失函数采用L2 loss，并使用RMSprop优化器，通过多次训练实验，确定学习率衰减策略及最优参数；
S54：重复S51-S53，直至对趋势性分量、季节性分量及残差分量均完成模型构建与最优参数选择；
S55：保存最优的三通道循环神经网络模型的结构及参数。
CN202110504232.0A 2021-05-10 2021-05-10 一种基于季节性循环神经网络的空气质量预测方法 Pending CN113240170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110504232.0A CN113240170A (zh) 2021-05-10 2021-05-10 一种基于季节性循环神经网络的空气质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110504232.0A CN113240170A (zh) 2021-05-10 2021-05-10 一种基于季节性循环神经网络的空气质量预测方法

Publications (1)

Publication Number Publication Date
CN113240170A true CN113240170A (zh) 2021-08-10

Family

ID=77132902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110504232.0A Pending CN113240170A (zh) 2021-05-10 2021-05-10 一种基于季节性循环神经网络的空气质量预测方法

Country Status (1)

Country Link
CN (1) CN113240170A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436733A (zh) * 2021-08-26 2021-09-24 肾泰网健康科技(南京)有限公司 一种基于融合经验的血透方案生成模型的特征构造方法
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
CN113984969A (zh) * 2021-10-26 2022-01-28 西安交通大学 一种基于多源时空数据融合的空气质量预测方法及系统
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统
CN115759885A (zh) * 2023-01-09 2023-03-07 佰聆数据股份有限公司 一种基于分布式物资供应下的物资抽检方法和装置
CN115796402A (zh) * 2023-02-08 2023-03-14 成都理工大学 一种基于组合模型的空气质量指数预测方法
CN117129036A (zh) * 2023-08-28 2023-11-28 瀚能科技有限公司 一种云端环境监控方法及装置
CN117931094A (zh) * 2024-03-21 2024-04-26 山东奥斯瑞特检验检测有限公司 基于区块链的环境空气监测数据可靠存储方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902259A (zh) * 2019-02-25 2019-06-18 中国科学院地理科学与资源研究所 一种轻量级的缺失时空数据的重构方法
CN111798051A (zh) * 2020-07-02 2020-10-20 杭州电子科技大学 基于长短期记忆神经网络的空气质量时空预测方法
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法
CN112651553A (zh) * 2020-12-24 2021-04-13 航天科工网络信息发展有限公司 一种城市大气污染预警监管和决策分析的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902259A (zh) * 2019-02-25 2019-06-18 中国科学院地理科学与资源研究所 一种轻量级的缺失时空数据的重构方法
CN111798051A (zh) * 2020-07-02 2020-10-20 杭州电子科技大学 基于长短期记忆神经网络的空气质量时空预测方法
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法
CN112651553A (zh) * 2020-12-24 2021-04-13 航天科工网络信息发展有限公司 一种城市大气污染预警监管和决策分析的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓飞: "基于Prophet-LSTM 模型的PM2.5 浓度预测研究", 《软件导刊》 *
钱名军: "基于季节分解和SARIMA-GARCH 模型的铁路", 《铁道学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436733A (zh) * 2021-08-26 2021-09-24 肾泰网健康科技(南京)有限公司 一种基于融合经验的血透方案生成模型的特征构造方法
CN113436733B (zh) * 2021-08-26 2021-11-30 肾泰网健康科技(南京)有限公司 一种基于融合经验的血透方案生成模型的特征构造方法
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
CN113984969A (zh) * 2021-10-26 2022-01-28 西安交通大学 一种基于多源时空数据融合的空气质量预测方法及系统
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统
CN114266200B (zh) * 2022-02-24 2022-07-05 山东大学 二氧化氮浓度预测方法及系统
CN115759885A (zh) * 2023-01-09 2023-03-07 佰聆数据股份有限公司 一种基于分布式物资供应下的物资抽检方法和装置
CN115796402A (zh) * 2023-02-08 2023-03-14 成都理工大学 一种基于组合模型的空气质量指数预测方法
US11816556B1 (en) 2023-02-08 2023-11-14 Chengdu University Of Technology Method for predicting air quality index (AQI) based on a fusion model
CN117129036A (zh) * 2023-08-28 2023-11-28 瀚能科技有限公司 一种云端环境监控方法及装置
CN117931094A (zh) * 2024-03-21 2024-04-26 山东奥斯瑞特检验检测有限公司 基于区块链的环境空气监测数据可靠存储方法

Similar Documents

Publication Publication Date Title
CN113240170A (zh) 一种基于季节性循环神经网络的空气质量预测方法
CN111798051A (zh) 基于长短期记忆神经网络的空气质量时空预测方法
CN112350876A (zh) 一种基于图神经网络的网络流量预测方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN110895878B (zh) 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN112085163A (zh) 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
CN110087207B (zh) 无线传感器网络缺失数据重建方法
CN110346518B (zh) 一种交通排放污染可视化预警方法及其系统
CN115511177A (zh) 基于ingo-swgmn混合模型的超短期风速预测方法
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN112054943A (zh) 一种移动网络基站流量预测方法
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN116187203A (zh) 一种流域水质预测方法、系统、电子设备及存储介质
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
CN114970946A (zh) 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN114372561A (zh) 一种基于深度状态空间模型的网络流量预测方法
CN107656905B (zh) 一种利用误差传递的空气质量数据实时校准方法
CN113627676A (zh) 一种基于多注意力因果关系的交通预测方法及系统
CN115408483B (zh) 一种北斗导航服务定位性能智能预测方法及装置
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN116259172A (zh) 考虑交通网络时空特征的城市道路速度预测方法
CN115860165A (zh) 一种考虑初损的神经网络流域降雨径流预报方法及系统
CN114943328A (zh) 基于bp神经网络非线性组合的sarima-gru时序预测模型

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: 20210810