CN113988400B - 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 - Google Patents
一种基于pearson-lstm多步长融合网络的aqi指数预测方法 Download PDFInfo
- Publication number
- CN113988400B CN113988400B CN202111235557.XA CN202111235557A CN113988400B CN 113988400 B CN113988400 B CN 113988400B CN 202111235557 A CN202111235557 A CN 202111235557A CN 113988400 B CN113988400 B CN 113988400B
- Authority
- CN
- China
- Prior art keywords
- prediction
- aqi
- model
- pearson
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 22
- 230000002688 persistence Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (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
本发明公开了一种基于PEARSON‑LSTM多步长融合网络的AQI指数预测方法，包括如下步骤：先通过采集模块获取两个月内的空气质量指数AO，并进行测试集和培训集的分割，根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；最后根据培训模型、预测模型和相似度确定待预测的AQI指数；本发明通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合实现了基于PEARSON‑LSTM多步长融合网络进行多步骤预测，提高了AQI预测的准确性。
Description
技术领域
本发明属于环境技术领域，具体涉及一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法。
背景技术
AQI是空气质量指数，是能够对空气质量进行定量描述的数据。AQI描述了空气清洁或者污染的程度，以及对健康的影响。其数值越大、级别和类别越高、表征颜色越深，说明空气污染状况越严重，对人体的健康危害也就越大，适用于表示城市的短期空气质量状况和变化趋势。
但是，在现有技术中，对AQI预估通常采用线性插值的方法进行估计，即根据环保监测站中监测的数据进行加权平均，得到某个区域网格内的AQI值，不能基于PEARSON-LSTM多步长融合网络进行多步骤预测，预测的准确性低，因此我们需要提出一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法。
发明内容
本发明的目的在于提供一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合，来预测AQI指数，提高了预测的准确性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明采用了如下技术方案：
一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，包括如下步骤：
S1、通过采集模块获取两个月内的空气质量指数AOI；
S2、将空气质量指数AOI进行测试集和培训集的分割，通过培训集的数据建立培训模型，通过测试集的数据建立预测数据库；
S3、根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；
S4、将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；
S5、根据培训模型、预测模型和相似度确定待预测的AQI指数。
优选的，步骤1中所述采集模块包括激光粒子传感器、控制器和无线网络路由器，所述激光粒子传感器与控制器电性连接，所述无线网络路由器与控制器电性连接。
优选的，步骤2中所述培训集是采用前两个月内的空气质量指数AQI，所述测试集是采用后一个月内的空气质量指数AQI。
优选的，所述培训模型在建立时，先用函数series-to-supervised()将前两个月内的空气质量指数AQI进行一组数字到一组输入和输出模式的数据处理，得到学习数据集，再将学习数据集使用reshape()函数中进行加载，形成新的参数值，通过新的参数值建立培训模型；所述预测数据库包括测试集的大小和形状，将后一个月内有空气质量指数AQI使用reshape()函数进行加载，形成的数据库。
优选的，步骤3中所述长短期记忆神经网络模块包括LSTM区块，所述LSTM区块包括遗忘门、输入门和输出门，所述遗忘门用于决定在多大程度上保留上—个时刻的元胞状态，所述输入门用于决定将哪些信息存储在这个时刻的元胞状态，所述输出门用于决定输出哪些信息。
优选的，在多步骤预测时，先测试集数据做预测后再评估预测得到完整的示例，做预测是通过persistence()函数进行持久性预测，在该函数执行最后一次观察和要持久化的预测步骤的数量，当函数返回一个包含预测的数组，再调用make-forecasts()函数将预测的数组进行训练、测试和配置，并将训练、测试和配置得到的数据作为参数，返回预测列表；评估预测是通过计算多步骤预测的每个时间步的RMSE得分，并根据得分绘制预测图，得RMSE分数低于70分的使用红线绘制，RMSE分数高于70分的使用蓝线绘制。
优选的，所述预测模型在建立时，根据绘制的预测图的大小和形状建立的测试模型。
优选的，步骤4中所述PEARSOM相关系数模块是用来计算两个数据集合是否在一条线上面，是衡量线性相关关系，PEARSOM相关系数模块的计算公式为：
。
优选的，线性相关关系使用r表示，若r=0，则x与y之间无线性相关关系，相关系数的绝对值越大，相关性越强；当-1＜r＜-0.5，或0.5＜r＜1时，相关度越强；当-0.5＜r＜0或0＜r＜0.5时，相关度越弱。
优选的，对于x与y之间的相关系数r，当r大于0小于1时表示x和y正相关关系；当r大于-1小于O时表示x和y负相关关系；当r=1时表示x和y完全正相关，r=-1表示x和y完全负相关；当r=O时表示x和y不相关。
本发明提出的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，与现有技术相比，具有以下优点：
本发明通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合，先采集两个月内的空气质量指数AQI，并进行测试集和培训集的分割，通过培训集的数据建立培训模型，通过测试集的数据建立预测数据库，根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型，将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度，最后根据培训模型、预测模型和相似度确定待预测的AQI指数，通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合实现了基于PEARSON-LSTM多步长融合网络进行多步骤预测，提高了AQI预测的准确性。
附图说明
图1为本发明的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图1所示的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，包括如下步骤：
S1、通过采集模块获取两个月内的空气质量指数AOI；
其中，采集模块包括激光粒子传感器、控制器和无线网络路由器，激光粒子传感器与控制器电性连接，无线网络路由器与控制器电性连接，通过激光粒子传感器感应空气质量数据信息，并感应的信号传输至控制器进行处理，确认空气质量指数AQI，通过无线网络路由器便于与智能设备进行远程通信，便于获取空气质量指数AQI。
S2、将空气质量指数AOI进行测试集和培训集的分割，通过培训集的数据建立培训模型，通过测试集的数据建立预测数据库；
其中，培训集是采用前两个月内的空气质量指数AQI，测试集是采用后一个月内的空气质量指数AQI，培训模型在建立时，先用函数series-to-supervised()将前两个月内的空气质量指数AQI进行一组数字到一组输入和输出模式的数据处理，得到学习数据集，再将学习数据集使用reshape()函数中进行加载，形成新的参数值，通过新的参数值建立培训模型；预测数据库包括测试集的大小和形状，将后一个月内有空气质量指数AQI使用reshape()函数进行加载，形成的数据库。
S3、根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；
其中，长短期记忆神经网络模块包括LSTM区块，LSTM区块包括遗忘门、输入门和输出门，遗忘门用于决定在多大程度上保留上—个时刻的元胞状态，输入门用于决定将哪些信息存储在这个时刻的元胞状态，输出门用于决定输出哪些信息；LSTM的表现通常比时间递归神经网络及隐马尔科夫模型(HMM）更好，比如用在不分段连续手写识别上，作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络，LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，也可被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input的信息是否能被提取及能不能被输出output，如四个S函数单元，最左边函数依情况可能成为区块的input，右边三个会经过gate决定input是否能传入区块，左边第二个为input gate，如果这里产出近似于零，将把这里的值挡住，不会进到下一层，左边第三个是forget gate，当这产生值近似于零，将把区块里记住的值忘掉，第四个也就是最右边的input为output gate，他可以决定在区块记忆中的input是否能输出。
在多步骤预测时，先测试集数据做预测后再评估预测得到完整的示例，做预测是通过persistence()函数进行持久性预测，在该函数执行最后一次观察和要持久化的预测步骤的数量，当函数返回一个包含预测的数组，再调用make-forecasts()函数将预测的数组进行训练、测试和配置，并将训练、测试和配置得到的数据作为参数，返回预测列表；评估预测是通过计算多步骤预测的每个时间步的RMSE得分，并根据得分绘制预测图，得RMSE分数低于70分的使用红线绘制，RMSE分数高于70分的使用蓝线绘制；
预测模型在建立时，根据绘制的预测图的大小和形状建立的测试模型。
S4、将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；
其中，PEARSOM相关系数模块是用来计算两个数据集合是否在一条线上面，是衡量线性相关关系，PEARSOM相关系数模块的计算公式为：
；
线性相关关系使用r表示，若r=0，则x与y之间无线性相关关系，相关系数的绝对值越大，相关性越强；当-1＜r＜-0.5，或0.5＜r＜1时，相关度越强；当-0.5＜r＜0或0＜r＜0.5时，相关度越弱；
对于x与y之间的相关系数r，当r大于0小于1时表示x和y正相关关系；当r大于-1小于O时表示x和y负相关关系；当r=1时表示x和y完全正相关，r=-1表示x和y完全负相关；当r=O时表示x和y不相关。
S5、根据培训模型、预测模型和相似度确定待预测的AQI指数；
即根据培训模型和预测模型的形状和大小确定待预测网格的AQI在不同AQI的概率值，再将培训模型预测的概率值与预测模型预测的概率值相乘，得到的不同AQI区间，计算不同AQI区间的定距变量间的线性关系与相似度比对，将相关性强的区间确定为待预测网格的AQI指数。
通过采集模块采集两个月内的空气质量指数AQI，并将数据进行测试集和培训集的分割，通过长短期记忆神经网络模块将测试集库内的数据进行多步骤预测，再PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度，最后根据培训模型、预测模型和相似度确定待预测的AQI指数，通过采集模块、长短期记忆神经网络模块和PEARSON相关系数模块的配合实现了基于PEARSON-LSTM多步长融合网络进行多步骤预测，提高了AQI预测的准确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (6)
1.一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：包括如下步骤：
S1、通过采集模块获取两个月内的空气质量指数AOI；
S2、将空气质量指数AOI进行测试集和培训集的分割，通过培训集的数据建立培训模型，通过测试集的数据建立预测数据库；
所述培训模型在建立时，先用函数series-to-supervised()将前两个月内的空气质量指数AQI进行一组数字到一组输入和输出模式的数据处理，得到学习数据集，再将学习数据集使用reshape()函数中进行加载，形成新的参数值，通过新的参数值建立培训模型；所述预测数据库包括测试集的大小和形状，将后一个月内有空气质量指数AQI使用reshape()函数进行加载，形成的数据库；
S3、根据预测数据库内的数据通过长短期记忆神经网络模块进行多步骤预测，根据多步骤预测后的数据建立预测模型；
所述长短期记忆神经网络模块包括LSTM区块，所述LSTM区块包括遗忘门、输入门和输出门，所述遗忘门用于决定在多大程度上保留上—个时刻的元胞状态，所述输入门用于决定将哪些信息存储在这个时刻的元胞状态，所述输出门用于决定输出哪些信息；
在多步骤预测时，先测试集数据做预测后再评估预测得到完整的示例，做预测是通过persistence()函数进行持久性预测，在该函数执行最后一次观察和要持久化的预测步骤的数量，当函数返回一个包含预测的数组，再调用make-forecasts()函数将预测的数组进行训练、测试和配置，并将训练、测试和配置得到的数据作为参数，返回预测列表；评估预测是通过计算多步骤预测的每个时间步的RMSE得分，并根据得分绘制预测图，得RMSE分数低于70分的使用红线绘制，RMSE分数高于70分的使用蓝线绘制；
所述预测模型在建立时，根据绘制的预测图的大小和形状建立的测试模型；
S4、将培训模型与预测模型利用PEARSON相关系数模块进行比对衡量，确认培训模型与预测模型之间定距变量间的线性关系，得到培训模型与预测模型之间的相似度；
S5、根据培训模型、预测模型和相似度确定待预测的AQI指数；
即根据培训模型和预测模型的形状和大小确定待预测网格的AQI在不同AQI的概率值，再将培训模型预测的概率值与预测模型预测的概率值相乘，得到的不同AQI区间，计算不同AQI区间的定距变量间的线性关系与相似度比对，将相关性强的区间确定为待预测网格的AQI指数。
2.根据权利要求1所述的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：步骤1中所述采集模块包括激光粒子传感器、控制器和无线网络路由器，所述激光粒子传感器与控制器电性连接，所述无线网络路由器与控制器电性连接。
3.根据权利要求1所述的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：步骤2中所述培训集是采用前两个月内的空气质量指数AQI，所述测试集是采用后一个月内的空气质量指数AQI。
4.根据权利要求1所述的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：步骤4中所述PEARSOM相关系数模块是用来计算两个数据集合是否在一条线上面，是衡量线性相关关系，PEARSOM相关系数模块的计算公式为：
。
5.根据权利要求4所述的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：线性相关关系使用r表示，若r=0，则x与y之间无线性相关关系，相关系数的绝对值越大，相关性越强；当-1＜r＜-0.5，或0.5＜r＜1时，相关度越强；当-0.5＜r＜0或0＜r＜0.5时，相关度越弱。
6.根据权利要求5所述的一种基于PEARSON-LSTM多步长融合网络的AQI指数预测方法，其特征在于：对于x与y之间的相关系数r，当r大于0小于1时表示x和y正相关关系；当r大于-1小于O时表示x和y负相关关系；当r=1时表示x和y完全正相关，r=-1表示x和y完全负相关；当r=O时表示x和y不相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111235557.XA CN113988400B (zh) | 2021-10-22 | 2021-10-22 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111235557.XA CN113988400B (zh) | 2021-10-22 | 2021-10-22 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113988400A CN113988400A (zh) | 2022-01-28 |
| CN113988400B true CN113988400B (zh) | 2024-04-09 |
Family
ID=79740596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111235557.XA Active CN113988400B (zh) | 2021-10-22 | 2021-10-22 | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988400B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
| 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 |
| CN111832230A (zh) * | 2020-07-20 | 2020-10-27 | 南京信大气象科学技术研究院有限公司 | 基于相关性分析和数据均衡的能见度分层预测模型 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 |
| CN112884243A (zh) * | 2021-03-16 | 2021-06-01 | 杭州职业技术学院 | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 |
| CN113313235A (zh) * | 2021-05-25 | 2021-08-27 | 江南大学 | 一种基于改进的lstm的空气质量预测模型及方法 |
| CN113419902A (zh) * | 2021-06-29 | 2021-09-21 | 上海大学 | 基于长短时记忆网络的多通道脑电信号相关性分析与数据恢复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11023824B2 (en) * | 2017-08-30 | 2021-06-01 | Intel Corporation | Constrained sample selection for training models |
-
2021
- 2021-10-22 CN CN202111235557.XA patent/CN113988400B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
| 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 |
| CN111832230A (zh) * | 2020-07-20 | 2020-10-27 | 南京信大气象科学技术研究院有限公司 | 基于相关性分析和数据均衡的能见度分层预测模型 |
| CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
| CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 |
| CN112884243A (zh) * | 2021-03-16 | 2021-06-01 | 杭州职业技术学院 | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 |
| CN113313235A (zh) * | 2021-05-25 | 2021-08-27 | 江南大学 | 一种基于改进的lstm的空气质量预测模型及方法 |
| CN113419902A (zh) * | 2021-06-29 | 2021-09-21 | 上海大学 | 基于长短时记忆网络的多通道脑电信号相关性分析与数据恢复方法 |
Non-Patent Citations (3)
| Title |
|---|
| LSTM神经网络在太阳F_(10.7)射电流量中期预报中的应用;杨旭;朱亚光;杨升高;王西京;钟秋珍;;空间科学学报;20200315(第02期);38-47 * |
| 基于LSTM的空气质量预测方法;李艳萍;赵晓宇;;科技与创新;20200405(第07期);13-15 * |
| 基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用;张春露;白艳萍;;重庆理工大学学报(自然科学);20180815(第08期);143-147 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113988400A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
| 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 | |
| CN112966891A (zh) | 一种河流水环境质量预测方法 | |
| CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
| CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
| CN114819054A (zh) | 一种基于物理信息神经网络的电力电子系统状态监测方法 | |
| CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN106934242A (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
| CN114462717A (zh) | 一种基于改进gan与lstm的小样本气体浓度预测方法 | |
| CN118052326A (zh) | 一种基于神经网络的校园供水管网用水量预测方法 | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN113988400B (zh) | 一种基于pearson-lstm多步长融合网络的aqi指数预测方法 | |
| CN113726559A (zh) | 基于人工智能网络安全分析预警模型 | |
| CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 | |
| CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN109242008B (zh) | 一种样本类别不完备条件下的复合故障识别方法 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115600094A (zh) | 一种异构融合组网设备数据分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |