CN114741972A - 一种空气污染物浓度季节性预测模型的构建方法 - Google Patents

一种空气污染物浓度季节性预测模型的构建方法 Download PDF

Info

Publication number
CN114741972A
CN114741972A CN202210474259.4A CN202210474259A CN114741972A CN 114741972 A CN114741972 A CN 114741972A CN 202210474259 A CN202210474259 A CN 202210474259A CN 114741972 A CN114741972 A CN 114741972A
Authority
CN
China
Prior art keywords
air pollutant
pollutant concentration
seasonal
concentration
prediction model
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
CN202210474259.4A
Other languages
English (en)
Inventor
白燕
张玮
刘亮
张亚俐
汪庭祥
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and 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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210474259.4A priority Critical patent/CN114741972A/zh
Publication of CN114741972A publication Critical patent/CN114741972A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/04—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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种空气污染物浓度季节性预测模型的构建方法，将目标城市的空气污染物浓度历史数据依照季节划分为春、夏、秋和冬等四个季节性历史数据集，对数据集进行预处理获得空气污染物浓度的时间序列。所述方法采用长短期记忆网络学习空气污染物浓度的时间序列中蕴含的污染物浓度变化规律，同时使用贝叶斯优化算法为长短期记忆网络选择最优的超参数组合，进而得到预测性能最优的预测模型。该空气污染物浓度季节性预测模型可以分析不同季节的空气污染物浓度变化规律，并针对不同季节建立预测模型，使得预测结果更精确，泛化性能良好。同时，缩减了训练数据的样本量，减轻了训练过程中计算资源的开销。

Description

一种空气污染物浓度季节性预测模型的构建方法
技术领域
本申请涉及空气污染物浓度预测方法领域，特别涉及一种空气污染物浓度季节性预测模型的构建方法。
背景技术
空气污染问题已经成为最严重的环境污染问题，学界和政界对于空气污染物浓度预测相关的研究热情从未消退。预测空气污染物浓度将为管理部门制定治理策略提供有效的决策支撑。
关于空气污染物浓度预测的主要方法包括：数值模型、统计学习方法、机器学习方法和深度学习方法。传统的数值模型模拟了大气变化的过程，研究人员需要深刻了解大气化学相关理论。而统计学习方法、机器学习方法和深度学习方法的关注点更偏向于数据本身，试图从空气污染物浓度的历史数据中挖掘潜在的变化规律，或者分析空气污染物浓度与潜在的影响因素之间的历史协变关系，均取得了较好的研究成果。空气污染物浓度变化具备一定程度的季节性变化特征，而目前多数研究中的建模过程采用的训练数据没有进行季节性区分。
发明内容
基于以上现有技术存在的缺陷或不足，针对季节性变化特征建立预测模型能够得到更精确的预测结果，使得预测结果可以为决策部门制定治污策略提供更有效的信息支撑，本发明的目的在于，提供一种空气污染物浓度季节性预测模型的构建方法，所构建的预测模型提供的参考信息更具备针对性，进而推动工业发展和环境保护之间达到平衡的进程。
为了实现上述任务，本发明采取如下的技术解决方案：
一种空气污染物浓度季节性预测模型的构建方法，其特征在于，所述方法包括：
步骤一，获取空气污染物浓度的历史数据，并进行预处理得到对应的时间序列；
步骤二，对空气污染物浓度的时间序列，依照季节将其划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列；
步骤三，对于各个空气污染物浓度季节性时间序列，将其分解为多个变化频率更为简单的本征模态分量；
步骤四，对于各个空气污染物浓度季节性时间序列，分析其和与其相关的各个本征模态分量之间的相关性，以此筛选特征本征模态分量；
步骤五，对于各个特征本征模态分量，以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本；
步骤六，对于各个空气污染物浓度季节性时间序列，以与其相关度较高的本征模态分量为影响其变化的主要影响因素，即学习算法的输入数据，而空气污染物浓度为输出数据，据此构建训练样本和测试样本；
步骤七，使用训练样本拟合长短期记忆网络，并采用贝叶斯优化算法确定长短期记忆网络中的超参数组合，经过迭代训练后得到预测模型；
步骤八，使用测试样本测试所得预测模型的预测性能。
根据本发明，获取PM2.5、PM10、SO2、CO、NO2和O3等六种主要空气污染物浓度的历史数据，并进行预处理后得到对应的时间序列，包括：
获取空气污染物浓度的历史数据；
使用插值法补全空气污染物浓度历史数据中的缺失值，得到对应的空气污染物浓度的时间序列。
具体地，对空气污染物浓度的时间序列，依照季节划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列。
进一步地，将空气污染物浓度季节性时间序列分解为一组变化频率更简单的本征模态分量集，包括：
对于空气污染物浓度季节性时间序列，集成经验模态分解方法根据时间序列的内在变化特征将其分解为一组变化频率更简单的时间序列，称为本征模态分量。
进一步地，步骤四的实现方法是：针对原始的空气污染物浓度季节性时间序列，为其筛选与其变化关联程度较高的本征模态分量，称为特征本征模态分量，包括：
对于原始的空气污染物浓度季节性时间序列，以皮尔逊相关系数为评价指标分析其和与其相关的各个本征模态分量之间的关联程度，选择关联程度较高的本征模态分量为影响其变化的特征本征模态分量。
具体地，构建训练样本和测试样本是以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本；
筛选所得的特征本征模态分量和原始的空气污染物浓度季节性时间序列保持相同的时间维度，以特征本征模态分量为学习算法的输入数据，空气污染物浓度为输出数据，据此结构构建训练样本和测试样本。
进一步地，步骤七所述基于长短期记忆网络和贝叶斯优化算法建立预测模型，包括：
使用构建所得的训练样本拟合长短期记忆网络；
采用贝叶斯优化算法确定长短期记忆网络中的超参数组合；
经过迭代训练后可得预测模型。
具体地，步骤八中使用测试样本测试预测模型的预测性能，包括：
将构建所得的测试样本中的输入数据输入预测模型，预测模型计算后可输出预测值，将预测值与真实观测值作对比，以平均绝对误差、均方根误差和相关性等统计学指标为衡量指标判断预测模型的性能。
本发明提出的空气污染物浓度季节性预测模型的构建方法，可以分析不同季节的空气污染物浓度变化规律，并针对不同季节建立预测模型，使得预测结果更精确，泛化性能良好。同时，缩减了训练数据的样本量，减轻了训练过程中计算资源的开销。
附图说明
图1为本发明方法构建的空气污染物浓度季节性预测模型结构框图；
图2是各模型预测PM2.5浓度值与真实值曲线；
图3是各模型预测PM2.5浓度值与真实值拟合程度；
图4是各模型预测PM10浓度值与真实值曲线；
图5是各模型预测PM10浓度值与真实值拟合程度；
图6是各模型预测SO2浓度值与真实值曲线；
图7是各模型预测SO2浓度值与真实值拟合程度；
图8是各模型预测CO浓度值与真实值曲线；
图9是各模型预测CO浓度值与真实值拟合程度；
图10是各模型预测NO2浓度值与真实值曲线；
图11是各模型预测NO2浓度值与真实值拟合程度；
图12是各模型预测O3浓度值与真实值曲线；
图13是各模型预测O3浓度值与真实值拟合程度。
以下结合附图及实施例对本申请进行进一步详细说明。
具体实施方式
本实施例给出一种空气污染物浓度季节性预测模型的构建方法，构建过程包括如下步骤：
步骤一，获取空气污染物浓度的历史数据，并进行预处理得到对应的时间序列；
步骤二，对空气污染物浓度的时间序列，依照季节将其划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列；
步骤三，对于各个空气污染物浓度季节性时间序列，将其分解为多个变化频率更为简单的本征模态分量；
步骤四，对于各个空气污染物浓度季节性时间序列，分析其和与其相关的各个本征模态分量之间的相关性，以此筛选特征本征模态分量；
步骤五，对于各个特征本征模态分量，以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本；
步骤六，对于各个空气污染物浓度季节性时间序列，以与其相关度较高的本征模态分量为影响其变化的主要影响因素，即学习算法的输入数据，而空气污染物浓度为输出数据，据此构建训练样本和测试样本；
步骤七，使用训练样本拟合长短期记忆网络，并采用贝叶斯优化算法确定长短期记忆网络中的超参数组合，经过迭代训练后得到预测模型；
步骤八，使用测试样本测试所得预测模型的预测性能。
本实施例中，获取PM2.5、PM10、SO2、CO、NO2和O3等六种主要的空气污染物浓度的历史数据，使用插值法补全其中的缺失值，获得完整的空气污染物浓度的时间序列。
依照季节时间跨度将空气污染物浓度的时间序列划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列。
针对空气污染物浓度季节性时间序列，使用集成经验模态分解方法将其分解后可获得一组变化频率更简单的本征模态分量集。
将本征模态分量代表的时间序列看作影响空气污染物浓度变化的因素，试图分析本征模态分量与空气污染物浓度之间的线性关系，以及特征本征模态分量本身的变化特征。
通常，空气污染物浓度的原始时间序列经分解后可得多个本征模态分量，如若将所有本征模态分量考虑在内，则会加大计算过程，增大计算开销。为了节省计算资源，避免冗余信息对建模过程的干扰，以皮尔逊相关系数为评价指标，分析各个本征模态分量与原始时间序列之间的关联程度，选择关联程度较高的本征模态分量为特征本征模态分量。
至此，长短期记忆网络将被用于拟合特征本征模态分量自身的变化规律，以及特征本征模态分量与空气污染物浓度之间的线性关系。
使用构建所得的训练样本拟合长短期记忆网络，并且采用贝叶斯优化算法为长短期记忆网络寻找最优的超参数组合，迭代训练后得到预测模型。将所得的预测模型用于测试样本对应的浓度值的预测，以平均绝对误差、均方根误差和相关性等统计学指标分析预测值与真实观测值之间的误差，以此判断预测模型的预测性能。
以下是发明人给出的具体实施的过程。
步骤100：获取PM2.5、PM10、SO2、CO、NO2和O3等六种主要的空气污染物浓度的历史数据，并进行预处理得到空气污染物浓度的时间序列。
分别选取PM2.5、PM10、SO2、CO、NO2和O3等六种主要的空气污染物于2016年12月1日至2019年11月30日共计三年的浓度历史数据。
使用插值法补全其中的缺失值，得到完整的空气污染物浓度的时间序列。
步骤101：依照季节时间跨度，将空气污染物浓度的原始时间序列划分为季节性时间序列。
步骤102：依照季节时间跨度，将空气污染物浓度的时间序列划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列。
步骤103：分解原始的空气污染物浓度季节性时间序列，获得相应的本征模态分量集合。
步骤104：为了分析空气污染物浓度的历史变化规律，采用集成经验模态分解方法根据时间序列内在的变化特征将其分解为一组本征模态分量，每个本征模态分量遵循各自的变化频率，更为简单。
步骤105：筛选特征本征模态分量
将本征模态分量视作与原始时间序列变化相关的影响因素，为了充分利用较为关键的数据信息，简化建模过程，从分解所得的所有本征模态分量中选择与原始时间序列关联程度较高的本征模态分量为特征本征模态分量。因此，以皮尔逊相关系数为评价指标，分析各个本征模态分量与对应的原始时间序列之间的关联关系，选择关联系数较高的本征模态分量为特征本征模态分量。
步骤106：构建训练样本和测试样本
以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本。至此，假定特征本征模态分量与空气污染物浓度之间存在线性关系，并使得特征本征模态分量为学习算法的输入数据，空气污染物浓度为输出数据，据此结构便可将特征本征模态分量和空气污染物浓度的时间序列构建为训练样本和测试样本。
步骤107：建立预测模型
使用构建所得的训练样本拟合长短期记忆网络，并且采用贝叶斯优化算法为长短期记忆网络中的超参数寻找最优的超参数组合，经过迭代训练后得到预测模型。
步骤108：验证预测模型的性能
为了验证预测模型的预测性能，可使用预测模型针对构建所得的测试样本计算相应的预测值，比较该预测值与真实观测值之间的误差，以平均绝对误差、均方根误差和相关性等统计学指标作为衡量指标，分析预测值和真实观测值之间的误差，判断预测模型的预测性能。
所构建的空气污染物浓度季节性预测模型如图1所示，可以用于预测特定季节内未来时日空气污染物浓度值。
图2至图13给出了本实施例构建的空气污染物浓度季节性预测模型(以下简称EEMD-BO-LSTM模型)与各模型预测结果比较实验。其中，图2是各模型预测PM2.5浓度值与真实值曲线；图3是各模型预测PM2.5浓度值与真实值拟合程度；图4是各模型预测PM10浓度值与真实值曲线；图5是各模型预测PM10浓度值与真实值拟合程度；图6是各模型预测SO2浓度值与真实值曲线；图7是各模型预测SO2浓度值与真实值拟合程度；图8是各模型预测CO浓度值与真实值曲线；图9是各模型预测CO浓度值与真实值拟合程度；图10是各模型预测NO2浓度值与真实值曲线；图11是各模型预测NO2浓度值与真实值拟合程度；图12是各模型预测O3浓度值与真实值曲线；图13是各模型预测O3浓度值与真实值拟合程度。
如表1所示，对于兰州冬季PM2.5、PM10、SO2、CO和NO2的浓度预测误差，EEMD-BO-LSTM模型相比LSTM和SVM模型更低，分别为7.6791、4.3840、6.4356、0.4292和1.8838。EEMD-BO-LSTM模型对O3浓度的预测误差比LSTM和SVM模型略高，但差异并不明显。
表1：兰州冬季各模型预测结果比较
Figure BDA0003624612430000081
Figure BDA0003624612430000091
对于兰州春季的PM2.5、PM10、SO2、CO、NO2和O3浓度的预测误差统计结果如表2所示。其中，EEMD-BO-LSTM模型对应的MAE值分别为11.1818、31.3015、1.2107、0.1798、10.1662和8.0892，LSTM模型对应的MAE值分别为12.6587、35.8514、4.7597、0.2013、14.1729和18.2737，SVM模型对应的MAE值分别为13.1007、34.6891、4.5343、0.1988、11.6868和19.0002。
表2：兰州春季各模型预测结果比较
Figure BDA0003624612430000092
Figure BDA0003624612430000101
如表3所示，对于兰州夏季PM2.5、PM10、SO2、CO、NO2和O3浓度的预测误差，EEMD-BO-LSTM模型比LSTM模型分别降低了1.3171、6.4779、2.2879、0.0722、4.5734和16.8917，比SVM模型分别降低了0.4633、5.4617、2.3479、0.0659、3.5115和17.7263。
表3：兰州夏季各模型预测结果比较
Figure BDA0003624612430000102
Figure BDA0003624612430000111
如表4所示，表4为LSTM、SVM和EEMD-BO-LSTM模型关于兰州秋季空气污染物浓度的预测结果误差统计。EEMD-BO-LSTM模型关于PM2.5、PM10、SO2、CO、NO2和O3对应的误差分别为4.0890、14.9032、3.6515、0.0686、5.2650和15.7404，平均误差为7.2862，比LSTM和SVM模型分别低3.3292和1.9458。
表4：兰州秋季各模型预测结果比较
Figure BDA0003624612430000112
Figure BDA0003624612430000121
综上所述，本实施例构建的空气污染物浓度季节性预测模型可以分析不同季节的空气污染物浓度变化规律，并针对不同季节建立预测模型，使得预测结果更精确，泛化性能良好。同时，缩减了训练数据的样本量，减轻了训练过程中计算资源的开销。
以上所述仅为本发明较佳的具体实施例，但本发明不限于上述实施例。任何熟悉本技术领域的技术人员在本发明揭露的技术方案的前提下，对本发明的技术方案加以技术特征的增加或等同替换，都应属于本发明的保护范围。

Claims (9)

1.一种空气污染物浓度季节性预测模型的构建方法，其特征在于，所述方法包括：
步骤一，获取空气污染物浓度的历史数据，并进行预处理得到对应的时间序列；
步骤二，对空气污染物浓度的时间序列，依照季节将其划分为春、夏、秋和冬等四个空气污染物浓度季节性时间序列；
步骤三，对于各个空气污染物浓度季节性时间序列，将其分解为多个变化频率更为简单的本征模态分量；
步骤四，对于各个空气污染物浓度季节性时间序列，分析其和与其相关的各个本征模态分量之间的相关性，以此筛选特征本征模态分量；
步骤五，对于各个特征本征模态分量，以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本；
步骤六，对于各个空气污染物浓度季节性时间序列，以与其相关度较高的本征模态分量为影响其变化的主要影响因素，即学习算法的输入数据，而空气污染物浓度为输出数据，据此构建训练样本和测试样本；
步骤七，使用训练样本拟合长短期记忆网络，并采用贝叶斯优化算法确定长短期记忆网络中的超参数组合，经过迭代训练后得到预测模型；
步骤八，使用测试样本测试所得预测模型的预测性能。
2.如权利要求1所述的方法，其特征在于，步骤一的具体实现方法是：
获取PM2.5、PM10、SO2、CO、NO2和O3等六种主要空气污染物浓度的历史数据，并进行预处理后得到对应的时间序列，包括：
获取空气污染物浓度的历史数据；
使用插值法补全空气污染物浓度历史数据中的缺失值，得到对应的空气污染物浓度的时间序列。
3.如权利要求1所述的方法，其特征在于，步骤二的具体实现方法是：
使用经验模态分解方法将非线性的原始时间序列分解为多个本征模态分量，每个本征模态分量本质上是与原始时间序列的时间维度相同的时间序列，但其数据特征更为线性，且变化频率更稳定。
4.如权利要求1所述的方法，其特征在于，步骤三的实现方法是：
将空气污染物浓度季节性时间序列分解为一组变化频率更简单的本征模态分量集，包括：
对于空气污染物浓度季节性时间序列，集成经验模态分解方法根据时间序列的内在变化特征将其分解为一组变化频率更简单的时间序列，称为本征模态分量。
5.如权利要求1所述的方法，其特征在于，步骤四的实现方法是：
针对原始的空气污染物浓度季节性时间序列，为其筛选与其变化关联程度较高的本征模态分量，称为特征本征模态分量，包括：
对于原始的空气污染物浓度季节性时间序列，以皮尔逊相关系数为评价指标分析其和与其相关的各个本征模态分量之间的关联程度，选择关联程度较高的本征模态分量为影响其变化的特征本征模态分量。
6.如权利要求1所述的方法，其特征在于，步骤五所述的构建训练样本和测试样本是以特征本征模态分量作为输入数据，将其平移指定时间步长后的序列作为输出数据，据此构建训练样本和测试样本。
7.如权利要求1所述的方法，其特征在于，步骤六所述构建训练样本和测试样本是筛选所得的特征本征模态分量和原始的空气污染物浓度季节性时间序列保持相同的时间维度，以特征本征模态分量为学习算法的输入数据，空气污染物浓度为输出数据，据此结构构建训练样本和测试样本。
8.如权利要求1所述的方法，其特征在于，步骤七所述基于长短期记忆网络和贝叶斯优化算法建立预测模型，包括：
使用构建所得的训练样本拟合长短期记忆网络；
采用贝叶斯优化算法确定长短期记忆网络中的超参数组合；
经过迭代训练后可得预测模型。
9.如权利要求1所述的方法，其特征在于，步骤八所述使用测试样本测试预测模型的预测性能的方法为：
将构建所得的测试样本中的输入数据输入预测模型，预测模型计算后可输出预测值，将预测值与真实观测值作对比，以平均绝对误差、均方根误差和相关性等统计学指标为衡量指标判断预测模型的性能。
CN202210474259.4A 2022-04-29 2022-04-29 一种空气污染物浓度季节性预测模型的构建方法 Pending CN114741972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210474259.4A CN114741972A (zh) 2022-04-29 2022-04-29 一种空气污染物浓度季节性预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210474259.4A CN114741972A (zh) 2022-04-29 2022-04-29 一种空气污染物浓度季节性预测模型的构建方法

Publications (1)

Publication Number Publication Date
CN114741972A true CN114741972A (zh) 2022-07-12

Family

ID=82285711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210474259.4A Pending CN114741972A (zh) 2022-04-29 2022-04-29 一种空气污染物浓度季节性预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN114741972A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859006A (zh) * 2023-09-04 2023-10-10 北京亦庄智能城市研究院集团有限公司 基于大气扩散机制的空气污染监测系统及其监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116859006A (zh) * 2023-09-04 2023-10-10 北京亦庄智能城市研究院集团有限公司 基于大气扩散机制的空气污染监测系统及其监测方法
CN116859006B (zh) * 2023-09-04 2023-12-01 北京亦庄智能城市研究院集团有限公司 基于大气扩散机制的空气污染监测系统及其监测方法

Similar Documents

Publication Publication Date Title
CN110363347B (zh) 基于决策树索引的神经网络预测空气质量的方法
CN108491970B (zh) 一种基于rbf神经网络的大气污染物浓度预测方法
Eisenhower et al. A methodology for meta-model based optimization in building energy models
CN111814956B (zh) 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
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN111738477A (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN113408659A (zh) 一种基于数据挖掘的建筑能耗集成分析方法
CN113591215A (zh) 基于不确定性的异常卫星组件布局检测方法
CN115629160A (zh) 一种基于时空图的空气污染物浓度预测方法及系统
Ivanov et al. Short-time particulate matter PM10 forecasts using predictive modeling techniques
CN115327041A (zh) 一种基于关联性分析的空气污染物浓度预测方法
CN114741972A (zh) 一种空气污染物浓度季节性预测模型的构建方法
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN114707692A (zh) 基于混合神经网络的湿地出水氨氮浓度预测方法及系统
CN112434888A (zh) 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
CN115660296B (zh) 一种基于机器学习的不合规项目建议方案自动出具方法
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
CN116151469A (zh) 一种预报空气质量的模型
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统
CN114676887A (zh) 一种基于图卷积stg-lstm的河流水质预测方法
CN113688506A (zh) 基于微站等多维数据的潜在大气污染源识别方法

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