CN115327041A - 一种基于关联性分析的空气污染物浓度预测方法 - Google Patents
一种基于关联性分析的空气污染物浓度预测方法 Download PDFInfo
- Publication number
- CN115327041A CN115327041A CN202210948354.3A CN202210948354A CN115327041A CN 115327041 A CN115327041 A CN 115327041A CN 202210948354 A CN202210948354 A CN 202210948354A CN 115327041 A CN115327041 A CN 115327041A
- Authority
- CN
- China
- Prior art keywords
- data
- air pollutant
- pollutant concentration
- correlation analysis
- prediction method
- 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
- 239000000809 air pollutant Substances 0.000 title claims abstract description 77
- 231100001243 air pollutant Toxicity 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010219 correlation analysis Methods 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 6
- 231100000719 pollutant Toxicity 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关联性分析的空气污染物浓度预测方法。本发明先通过皮尔森系数将相邻站点的空气污染物浓度与目标站点的污染物浓度进行关联性强弱的排序,然后将关联性最高的若干项污染物浓度与目标站点的历史污染物浓度进行组合的数据放入到神经网络模型中进行训练。相较于传统的直接进行模型训练的方法增加了多个相邻站点之间的关联性的分析再进行模型的训练,这种方法更能够挖掘到相邻站点空气污染物浓度的变化对目标站点污染物浓度变化所造成的影响,从而能够更加精确的预测到目标站点的空气污染物浓度的变化。通过以上提出的一种基于关联性分析的空气污染物浓度预测方法可以实现对空气污染物的变化进行准确的预测。
Description
技术领域
本发明涉及空气污染物浓度预测模型领域,尤其是涉及了一种基于关联性分析的空气污染物浓度预测方法。
背景技术
随着经济与科技的发展,环境问题日益成为大家所关心和热议的话题。因为环境问题直接关乎着我们的身心健康以及绿色生态的可持续发展问题,尤其是对于空气污染物浓度变化这样复杂的问题,政府部门以及环境方面的专家都在着力去研究和分析。但是由于区域生态环境变化会受到多方面环境因素的影响以及相邻区域之间相互的影响,因此本发明提出了一种基于关联性分析的空气污染物浓度预测方法。
传统研究空气污染物浓度变化的预测方法大体可分为统计学以及经典机器学习这两类方法。但是由于现有的空气污染物浓度的数据量及其庞大以及可能会受到周围环境监测站点空气污染物浓度变化的影响,采用传统的方法去预测空气污染物浓度变化将会耗费大量的时间和财力,因此本发明提出了先将目标站点空气污染物浓度与周围站点的空气污染物浓度进行关联性的分析,然后筛选出合适的相邻站点数据集放入到深度学习模型进行训练。
CN109657842A空气污染物浓度的预测方法及装置、电子设备,获取目标预测站点的第一位置信息及空气污染物浓度的预测时间段;根据所述第一位置信息获取与所述目标预测站点相邻的若干个空气检测站点的第二位置信息、历史空气污染物浓度及所述历史空气污染物浓度的采集时间;根据所述第二位置信息、历史空气污染物浓度及采集时间,对所述目标预测站点在所述预测时间段的空气污染物浓度进行预测。有利于提高预测数据的准确性,减小预测的误差。但对于具体的优化的学习训练方法没有做出更进一步的研究和优化。
发明内容
为了解决以上问题,本发明提出了一种基于关联性分析的空气污染物浓度预测方法,相较于传统的统计学方法和机器学习方法,该方法能够更好提高预测的精确度并且能够降低模型训练时所花费的代价。
本发明通过如下技术方案实现:一种基于关联性分析的空气污染物浓度预测方法,所述方法包括如下步骤:
步骤1:对数据进行预处理;
步骤2:在数据的特征工程中进行数据集的构造和划分;
步骤3:通过皮尔森系数(PCCs)筛选与目标站点空气污染物浓度关联度最高的若干个相邻站点;
步骤4:建立双向门控循环神经网络(BiGRU)和全连接神经网络层。
所述步骤1中包括如下具体步骤:
步骤1-1、数据来源:通过在某个区域设立的多个监测点获取到可能会影响到该区域空气污染物浓度变化的特征所组成的时间序列;
步骤1-2、离散特征数值化编码:把收集到的时间序列中的字符特征通过独热编码方式处理变成数字信息;
步骤1-3、缺失值处理:对于不超过两个时间间隔的缺失数据使用前面的数据进行填充,对于超过两个时间间隔的缺失数据采用线性插值法进行填充;
步骤1-4、异常值处理:对于少数时间段的特征值明显高于前后时间段的特征值的时间序列,让其与前一时间间隔的数据的特征值进行一阶差分运算;设立阈值为0.1,如果未超过0.1则认为为合理的突变数据,否则则认为为异常数据;异常数据的处理方式为把这些数据当作缺失值处理,即进行步骤1-3的操作;
步骤1-5、标准化处理:由于使用归一化处理会容易受到极值的影响,鲁棒性比较差,因此这里把数据进行标准化处理;考虑到数据各个字段量纲不一致,需要进行无量纲化操作。一般无量纲处理有两种方式,分别为归一化和标准化。但是由于数据中会存在部分的异常值和噪音,标准化处理能够间接通过中心化避免异常值和离群点所造成的影响,因此这里采用标准化处理。标准化的计算公式如下:
所述步骤2中包括如下具体步骤:
步骤2-1、把经过预处理得到的数据转化为具有时间序列的n维矩阵,这里的n维指的是数据具有的特征数量;
步骤2-2、数据集的划分:把处理后的数据按照时间序列的长度划分为80%为训练集,剩下的20%为测试集。
所述步骤3中包括如下具体步骤:
步骤3-1、选取目标站点的空气污染物浓度数据;
步骤3-2、选取相邻站点对应的空气污染物浓度数据;
步骤3-3、通过PCCs筛选与目标站点空气污染物浓度浓度关联度最高的若干个站点;
步骤3-4、分别选取排序后前20%,30%,40%的相邻站点的空气污染物浓度的数据;
步骤3-5、将选取到的空气污染物浓度数据分别与目标站点的空气污染物浓度数据进行拼接作为训练的数据集;
所述步骤4中包括如下具体步骤:
步骤4-1、建立BiGRU深度学习网络,该网络模型主要由输入层、隐藏层和输出层组成;
步骤4-2、并且该网络优化器使用Adam算法,激活函数使用Relu函数;
步骤4-3、建立完BiGRU网络后,再设立剪枝层(Dropout),抑制BiGRU层预测的结果发生过拟合;
步骤4-4、将步骤3中的数据集放入到搭建的神经网络模型中进行训练,
根据测试集的预测结果最终选择最合适的数据集。
步骤4-5、最后再建立全连接神经网络,对BiGRU层的输出结果进行解码,最后得到预测结果。
本发明相对于现有技术,具有以下有益效果:
1.本发明提出了一种基于关联性分析的空气污染物浓度预测方法,利用了关联性分析和深度学习相结合的技术方案。
2.本发明通过皮尔森系数(Pearson product-moment correlationcoefficient)进行目标站点空气污染物浓度与其它相邻站点的空气污染物浓度的关联性分析,通过这种方式可以挖掘到目标站点与其它站点在污染物浓度变化上之间的相互关系。相较于传统的数据集的选取,通过这种方式更能够高效的提取到影响目标站点的空气污染物浓度变化的重要特征,提升预测的精度。
3.本方法还加入了双向门控循环神经网络(Bi-directional Gated RecurrentNeural Network)深度学习网络,由于这种网络模型特殊的门结构特别适合于时间序列预测问题,并且解决了循环神经网络(RNN)存在的梯度消失以及梯度爆炸的问题并且可以捕获到较远位置的关键信息。因此相较于传统的深度学习模型能够提升运算的精确度。
附图说明
图1是本发明的整体流程框架图;
图2是本发明的数据预处理流程图;
图3是本发明的双向门控循环神经网络结构示意图;
图4是本发明的实验模型的结构图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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。
并且,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出了一种基于关联性分析的空气污染物浓度预测方法,该方法的具体步骤是先进行数据的预处理,然后通过皮尔森系数进行目标站点空气污染物浓度与其它相邻站点的空气污染物浓度的关联性分析,将筛选得到的相邻站点的空气污染物浓度数据与目标站点的空气污染物浓度数据进行拼接得到供模型训练的数据集,再将数据集通过设立的时间窗口的大小分批次放入双向门控循环神经网络(Bi-directional Gated RecurrentNeural Network)进行训练,得到的结果再通过全连接神经网络(Fully Connected NeuralNetwork,FCNN)解码并得到最终的预测结果。
基于关联性分析的空气污染物浓度预测方法,所述方法包括如下步骤:
步骤1:对数据进行预处理;
步骤2:在数据的特征工程中进行数据集的构造和划分;
步骤3:通过皮尔森系数(PCCs)筛选与目标站点空气污染物浓度关联度最高的若干个相邻站点;
步骤4:建立双向门控循环神经网络(BiGRU)和全连接神经网络层。
所述步骤1中包括如下具体步骤:
步骤1-1、数据来源:通过在某个区域设立的多个监测点获取到可能会影响到该区域空气污染物浓度变化的特征所组成的时间序列;
步骤1-2、离散特征数值化编码:把收集到的时间序列中的字符特征通过独热编码方式处理变成数字信息;
步骤1-3、缺失值处理:对于不超过两个时间间隔的缺失数据使用前面的数据进行填充,对于超过两个时间间隔的缺失数据采用线性插值法进行填充;
步骤1-4、异常值处理:对于少数时间段的特征值明显高于前后时间段的特征值的时间序列,让其与前一时间间隔的数据的特征值进行一阶差分运算;设立阈值为0.1,如果未超过0.1则认为为合理的突变数据,否则则认为为异常数据;异常数据的处理方式为把这些数据当作缺失值处理,即进行步骤1-3的操作;
步骤1-5、标准化处理:由于使用归一化处理会容易受到极值的影响,鲁棒性比较差,因此这里把数据进行标准化处理;考虑到数据各个字段量纲不一致,需要进行无量纲化操作。一般无量纲处理有两种方式,分别为归一化和标准化。但是由于数据中会存在部分的异常值和噪音,标准化处理能够间接通过中心化避免异常值和离群点所造成的影响,因此这里采用标准化处理。标准化的计算公式如下:
所述步骤2中包括如下具体步骤:
步骤2-1、把经过预处理得到的数据转化为具有时间序列的n维矩阵,这里的n维指的是数据具有的特征数量;
步骤2-2、数据集的划分:即为划分训练集和测试集,划分的比例按照8:2进行划分,即80%的数据当作训练集用于模型训练,20%的数据当作测试集用于评价模型的性能优劣。
所述步骤3中包括如下具体步骤:
步骤3-1、选取目标站点的空气污染物浓度数据;
步骤3-2、选取相邻站点对应的空气污染物浓度数据;
步骤3-3、以PM2.5空气污染物浓度为例,通过PCCs筛选与目标站点PM2.5浓度关联度高的若干个站点,具体步骤如下所示:
2)通过PCCs计算Yt矩阵中各个监测站点PM2.5浓度之间的关联性,得到前K个关联性最高的站点,记为SK=(p1 p2...pk)。步骤3-4、将选取到的空气污染物浓度数据分别与目标站点的空气污染物浓度数据进行拼接作为训练的数据集;
所述步骤4中包括如下具体步骤:
步骤4-1、建立BiGRU深度学习网络,该网络模型主要由输入层、隐藏层和输出层组成;
步骤4-2、并且该网络优化器使用Adam算法,通过大量的理论和实践证明,Adam优化方法相较于其它适应性学习方法有更好的表现,Adam收敛速度更快,更适合处理稀疏数据,激活函数使用Relu函数;
步骤4-3、建立完BiGRU网络后,再设立剪枝层(Dropout),抑制BiGRU层预测的结果发生过拟合;
步骤4-5、最后再建立全连接神经网络,对输出结果进行解码,最后得到我们的预测结果。
步骤4-6、为了评价模型预测的性能,本文采用了两个不同的指标,包含平均绝对误差(MAE)和均方根误差(RMSE),这两个指标的计算方法分别如下所示:
其中observedt代表的是t时刻的观测值,predictedt代表是t时刻的预测值。步骤4-7、为了进一步体现基于关联性分析的空气污染物浓度预测方法的优越性,我们与其它与预测模型进行对比,包括以及未经过关联性分析处理的BiGRU预测模型以及经过关联性分析处理的长短期记忆网络(Long Short-Term Memory)预测模型,通过步骤4-6中的两个评价指标的结果作为预测结果优劣的评价标准。
本发明的步骤3中进行目标站点空气污染物浓度与其它相邻站点的空气污染物浓度的关联性分析,通过这种方式能够更好的挖掘空气污染物浓度变化的规律从而提升空气污染物浓度预测的精度。
本发明中使用深度学习算法与数据关联性分析相结合的思想来建立预测系统。其中包括使用皮尔森系数进行目标站点空气污染物浓度与其它相邻站点的空气污染物浓度的关联性分析、使用时间窗口让带有特征时间序列分批进入向门控循环神经网络和全连接神经网络对时间序列进行训练学习。通过以上方法可以实现对空气污染物浓度变化的精准预测。
实验数据选取北京市12个空气质量监测站点2013年3月1日至2017年2月28日共计35064条小时监测数据作为实验所需数据。其中奥体中心站点作为目标站点,其它11个站点作为相邻站点。这12个站点的经纬度坐标如表1所示。
表1
由于这里我们的预测的目标是奥体中心站点的PM2.5浓度,这里先通过PCCs筛选出与目标站点的PM2.5浓度特征关联性最强的前三个站点的PM2.5浓度特征,经过实验得到对应的关联性表如表2。
表2
所示实验经过PCCs选取与目标站点奥体中心关联性最高的前三个站点的PM2.5数据,即官园、东四、农展馆这三个站点。
实验中BiGRU设置的时间步为24,神经元数为64,优化器使用的是Adam,为了防止过拟合,加入了Dropout层并设置为0.2,Dense层的参数设置为6,即预测未来6个小时的PM2.5的浓度。这里训练集和测试集按照8:2进行划分,即设置训练集为前1168组,测试集为后292组。实验模型的结构图如图4所示。
为了对比基于关联性分析与BiGRU预测模型的性能,我们与其它算法进行了对比,包括未经过关联性分析处理的LSTM预测模型,基于关联性分析与LSTM预测模型以及基于关联性分析与BiLSTM预测模型。各个模型预测结果对应的误差指标如表3和表4所示。
表3
表4
这里使用均方根误差(RMSE)和平均绝对误差(MAE)作为模型的评价指标,从未来6小时的PM2.5浓度预测结果来看,PCCs-BiGRU预测模型预测结果的误差值相较于其它三种模型均是最低,因此证实了该预测模型在空气污染物浓度预测中的先进性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于关联性分析的空气污染物预测浓度方法,其特征在于:所述方法包括如下步骤:
步骤1:在某个区域设立的若干个监测点获取到能够影响到该区域空气污染物浓度变化的特征所组成的时间序列,并对数据进行预处理;
步骤2:在数据的特征工程中进行数据集的构造和划分,把经过预处理得到的数据转化为具有时间序列的n维矩阵,按照时间序列的长度划分训练集和测试集;
步骤3:选取目标站点的空气污染物浓度数据,选取相邻站点对应的空气污染物浓度数据,通过皮尔森系数PCCs将目标站点的空气污染物浓度与相邻站点的污染物进行关联性的分析并进行排序,分别选取排序后的相邻站点的空气污染物浓度的数据;将选取到的空气污染物浓度数据分别与目标站点的空气污染物浓度数据进行拼接作为训练的数据集;
步骤4:建立双向门控循环神经深度学习网络,该网络模型包括输入层、隐藏层和输出层组成;将步骤3中的数据集放入到双向门控循环神经深度学习网络中进行训练,根据测试集的预测结果最终选择最合适的数据集;再建立全连接神经网络,对输出结果进行解码,最后得到预测结果。
2.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤1中,所述时间序列的处理方法为离散特征数值化编码,把收集到的时间序列中的字符特征通过独热编码方式处理变成数字信息。
3.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤1中,预处理的步骤为:
步骤1-1、缺失值处理:对于不超过两个时间间隔的缺失数据使用前面的数据进行填充,对于超过两个时间间隔的缺失数据采用线性插值法进行填充;
步骤1-2、异常值处理:对于少数时间段的特征值明显高于前后时间段的特征值的时间序列,让其与前一时间间隔的数据的特征值进行一阶差分运算;设立阈值为0.1,如果未超过0.1则认为为合理的突变数据,否则则认为为异常数据;异常数据的处理方式为把这些数据当作缺失值处理,即进行步骤1-1的操作;
步骤1-3、标准化处理,标准化的计算公式如下:
4.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤2中,所述n维指的是数据具有的特征数量。
5.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤2中,把处理后的数据按照时间序列的长度划分为80%为训练集,剩下的20%为测试集。
6.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤3中,分别选取排序后前20%,30%,40%的相邻站点的空气污染物浓度的数据。
7.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤4中网络模型的优化器使用Adam算法,激活函数使用Relu函数。
8.根据权利要求1所述的基于关联性分析的空气污染物浓度预测方法,其特征在于:所述步骤4中建立完BiGRU深度学习网络,再设立剪枝层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948354.3A CN115327041A (zh) | 2022-08-09 | 2022-08-09 | 一种基于关联性分析的空气污染物浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948354.3A CN115327041A (zh) | 2022-08-09 | 2022-08-09 | 一种基于关联性分析的空气污染物浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327041A true CN115327041A (zh) | 2022-11-11 |
Family
ID=83921964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210948354.3A Pending CN115327041A (zh) | 2022-08-09 | 2022-08-09 | 一种基于关联性分析的空气污染物浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327041A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116840419A (zh) * | 2023-07-13 | 2023-10-03 | 深圳市壹岚科技有限公司 | 一种空气智能检测方法、装置、设备及介质 |
CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
-
2022
- 2022-08-09 CN CN202210948354.3A patent/CN115327041A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116840419A (zh) * | 2023-07-13 | 2023-10-03 | 深圳市壹岚科技有限公司 | 一种空气智能检测方法、装置、设备及介质 |
CN116840419B (zh) * | 2023-07-13 | 2024-04-05 | 深圳市壹岚科技有限公司 | 一种空气智能检测方法、装置、设备及介质 |
CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN113887616B (zh) | 一种epg连接数的实时异常检测方法 | |
CN108960488B (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN111209968B (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN113919235B (zh) | 基于lstm演化聚类的移动源污染异常排放检测方法及介质 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN115277180B (zh) | 一种区块链日志异常检测与溯源系统 | |
CN111950708A (zh) | 一种发现大学生日常生活习惯的神经网络结构与方法 | |
CN113159456A (zh) | 水质预测方法、装置、电子设备及存储介质 | |
CN113516304A (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 | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN112491891A (zh) | 物联网环境下基于混合深度学习的网络攻击检测方法 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN112580859A (zh) | 一种基于全局注意力机制的雾霾预测方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
Liu et al. | Air Pollutant Concentration Forecasting Using Long Short‐Term Memory Based on Wavelet Transform and Information Gain: A Case Study of Beijing | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN116662899A (zh) | 一种基于自适应策略的含噪数据异常检测方法 | |
CN115965150A (zh) | 一种基于权重分配的电力负荷预测方法 | |
ABBAS | A survey of research into artificial neural networks for crime prediction | |
CN111460160B (zh) | 一种基于强化学习的流式文本数据的事件聚类方法 |
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 |