TWI662422B - Air quality prediction method based on machine learning model - Google Patents
Air quality prediction method based on machine learning model Download PDFInfo
- Publication number
- TWI662422B TWI662422B TW107113712A TW107113712A TWI662422B TW I662422 B TWI662422 B TW I662422B TW 107113712 A TW107113712 A TW 107113712A TW 107113712 A TW107113712 A TW 107113712A TW I662422 B TWI662422 B TW I662422B
- Authority
- TW
- Taiwan
- Prior art keywords
- air pollution
- data
- machine learning
- air
- learning model
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種以機器學習模型建置空氣品質預測方法,步驟包括:(A)提供一空污資料,進行一XGBoost(eXtreme Gradient Boosting,極限梯度提升)回歸演算法以獲得一XGB預測值;(B)提供該空污資料,進行一LSTM演算法以獲得一LSTM預測值;(C)將該空污資料、XGB預測值及LSTM預測值合併成一空污合併資料;(D)將該空污合併資料進行一XGBoost分類演算法而得一空污警報發佈與否之建議;(E)將該空汙合併資料進行一XGBoost分類演算法而得一空污預測值。藉此,建置出兩層以機器學習的整體模型,有效改善單一模型在資料量稀少時,容易形成過於保守預測的狀況。
Description
本發明係關於一種空氣品質預測方法,特別是關於一種以機器學習模型來建置出的空氣品質預測方法。
世界衛生組織(WHO)將空氣污染列為主要環境致癌物,引發肺癌風險更勝二手菸,其中最危險的,是可堆積在人肺深處的細懸浮微粒PM2.5,美國心臟醫學會國際證實PM2.5小到足以穿透呼吸系統,並負載重金屬、戴奧辛,以及病菌等,直接到達胸腔,因此長期暴露在PM2.5中,會增加引發心肌梗塞、中風和心律不整等的風險,增加心血管疾病的發生和死亡率。
另現今空氣中含有多種化學物質,雖然一般狀況下還不會對環境造成有感的影響,但隨著工業越來越發達,污染源成等比級數的增加,每當冬天來臨,空氣流動狀況不佳時,空氣污染超過標準值時有所聞,甚至白煙渺渺,遮蔽了大樓,顯見空氣污染的嚴重。
由於空氣污染的來源眾多,監控的成效因許多不利因素常造成監控不易,因為現今以大氣模型為基礎進行試算之空氣汙染的監測方法,雖可預測數天後的空汙狀況,然
而存在相關問題,例如1.預測時間區間解析度低,傳統方法僅以一天為單位進行估測一個平均值而無時值預測,而時值預測才能貼近居民生活習慣、2預測空間範圍解析度低,因大氣模型的變化往往橫跨數個經緯度,因此僅就大範圍的均值進行空汙預測,然而,空氣品質往往與人類活動習慣與地形因素強烈相關,是故傳統方法在僅考慮大氣流動的方法難以進行小區域的空氣預測,缺乏在地化的預測結果對於當地居民而言僅供參考,不具達成空污預警與即時應變的實質效益;除此之外,監控空氣污染除了要監測區域所排放的廢氣外,也要監測透過季風等因素由外地而來的污染因子,而外來污染源的影響又因風速、風向及日期的不同而有所分別,且即使相鄰地區有著相似的氣象條件,也可能因地形而受到不同程度的影響,所以空氣污染控的變數數量相當龐大,難以準確預測空氣污染。
先前已發展之空汙預測方法,是以XGBoost回歸演算法就空汙資料進行訓練,其後再以訓練好的XGBoost回歸演算法預測未來空汙。然而,空汙為時間變化的關係,前一段時間的大氣環境變化影響了未來空污的濃度。若要僅以XGBoost回歸演算法預測準確,需要有足夠的資料供訓練,俾利XGBoost回歸演算法能習得時間變化特徵。
因此目前業界極需發展出一種能增進預測準確度的空氣品質預測方法,有效利用短期記憶(Long Short-term
Memory,LSTM)等人工智慧深度學習模型,來改善單一模型在資料量稀少時,容易形成過於保守預測的錯誤狀況,如此一來,方能同時兼具成本與時效,有效準確預測空氣污染的狀況,以有效發出空污警告,改善民眾健康。
鑒於上述悉知技術之缺點,本發明之主要目的在於提供一種以機器學習模型建置空氣品質預測方法,整合一空污資料、一XGBoost回歸演算法、一LSTM演算法、與一XGBoost分類演算法等,以得到可靠而正確的預測結果。
為了達到上述目的,根據本發明所提出之一方案,提供一種以機器學習模型建置空氣品質預測方法,步驟包括:(A)提供一空污資料,進行一XGBoost回歸演算法以獲得一XGB預測值;(B)提供該空污資料,進行一LSTM演算法以獲得一LSTM預測值;(C)將該空污資料、XGB預測值及LSTM預測值合併成一空污合併資料;(D)將該空污合併資料進行一XGBoost分類演算法而得一空污警報發佈與否之建議;(E)將該空汙合併資料進行一XGBoost回歸演算法而得一空污預測值。
步驟(A)中的空污資料,可包含有PM2.5濃度、溫度、濕度、風速、風向、日期等參數,上述參數皆以向量的形式來表示,當作機器學習的特徵向量,例如風向參數在
傳統上多以角度方向表示(即0°~360°),但0°與360°其實具有相同涵意,在數值上卻有極大差異,此種數學模型會造成預測結果的誤差,因此我們原先一維的風向特徵投射到二維的空間,在座標的表示式之下,0°與360°都為(1,0),而45°則為(cos45°,sin45°),如此就可不再造成數值上的誤差;另由於台灣位於季風帶,因此日期也是重要的因素之一,季節循環約以一年為周期,但其中12月與1月相鄰,數值上卻相差最遠,與風向特徵所遭遇的困難相同,因此為解決此一問題,我們將一年365天對應至360°,將日期以二維座標(cosθ,sinθ)來表示,其中,θ=(x/365)x360°,利用座標特徵來表示日期特徵。
步驟(C)中的空污合併資料,可以向量形式來合併空污資料、XGB預測值及LSTM預測值,這是由於空污資料、XGB預測值及LSTM預測值皆是以向量形式來表示,因此將這些向量串接起來可當作第二次機器學習的特徵向量。
步驟(D)中的空污警報發佈與否之建議可包含一空污警報值,該空污警報值是用來監控空氣污染狀況,當空污警報值超過一預設值時,顯示當時空氣污染的情形可能嚴重,對人體將會造成不好的效應,因此必須考慮將此空污狀況對外宣布,對外發出警報動作,讓人們盡量待在室內,不要從事戶外運動。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本創作達到預定目的所採取的方式、手段及
功效。而有關本創作的其他目的及優點,將在後續的說明及圖式中加以闡述。
S201-S205‧‧‧步驟
第一圖係為本發明一種空污區域劃分示意圖;第二圖係為本發明一種以機器學習模型建置空氣品質預測方法流程圖;第三圖係為本發明一種LSTM架構示意圖;第四圖係為本發明一種整體學習模型示意圖;第五圖係為本發明實施例於2017年1月南部空氣品質預測結果圖。
以下係藉由特定的具體實例說明本創作之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本創作之優點及功效。
請參考第一圖,為本發明一種空污區域劃分示意圖。如圖所示,空污的來源除了台灣外,周邊地區的汙染源也會藉由風力的傳播而影響台灣,其中相鄰地區的影響較大,隨距離而遞減,因此我們因應影響力大小,劃分周邊區域大小如圖一所示;上述劃分原則是依據台灣地區自身所造成的汙染源影響最高,因此劃分範圍最為詳細,其次為中國、韓國沿岸地區所造成的影響,而蒙古、中國內陸的影響力則
較小,因此劃分範圍最廣。
請參考第二圖,為本發明一種以機器學習模型建置空氣品質預測方法流程圖。如圖所示,本發明提供一種以機器學習模型建置空氣品質預測方法,其步驟如下:(A)提供一空污資料,進行一XGBoost回歸演算法以獲得一XGB預測值S201;(B)提供該空污資料,進行一LSTM演算法以獲得一LSTM預測值S202;(C)將該空污資料、XGB預測值及LSTM預測值合併成一空污合併資料S203;(D)將該空污合併資料進行一XGBoost分類演算法而得一空污警報發佈與否之建議S204;(E)將該空汙合併資料進行一XGBoost回歸演算法而得一空污預測值S205。
空污資料包含許多參數資料,例如天氣的因素會影響空氣中的污染含量,如晴天、雨天等,因此本實施例中我們將每段時間區間的溫度、濕度列入機器學習的特徵向量(採用濕度,而不採用雨量的原因在於「雨量特徵僅存在於雨天」,未降雨即為缺值,且無法區別陰天與晴天等天氣的溼度差距),同理風速及風向也是必須考量的特徵,其中特別值得關注的是,風向在傳統上多以角度方向表示(即0°~360°),但0°與360°其實具有相同涵意,在數值上卻有極大差異,此種數學模型會造成預測結果的誤差,因此我們原先一維的風向特徵投射到二維的空間,在座標的表示式之下,0°與360°都為(1,0),而45°則為(cos45°,sin45°),不再造成數值上的誤差;由於台灣位
於季風帶,因此日期也是重要的因素之一,季節循環約以一年為周期,其中12月與1月相鄰,數值上卻相差最遠,與風向特徵所遭遇的困難相同,為解決此一問題,我們將一年365天對應至360°,對應方式如(1),並套用座標特徵來表示日期特徵。
空氣汙染的來源眾多,除了本地所排放的廢氣外,透過季風等因素由外地而來的因素也不在少數,而外來的影響又因風速、風向及日期的不同而有所分別,即使相鄰地區有著相似的氣象條件,也可能因地形而受到不同程度的影響,由於變數數量龐大,難以準確預測,因此我們嘗試將機器學習的方式導入空污的預測,以期增進預測的準確度;在本案發明中,本實施例選用具有時間連續性的Long Short-Term Memory(LSTM)演算法,LSTM的架構具有將過去工作階段的狀態保留,並延續的效果,因此可以用於空污的預測,並且LSTM所執行的處理,能在時變資料中找出明顯的時變特徵而不為暫態雜訊所影響,那就能有效幫助機器學習找到較佳解,其中由於空污的變化為連續而緩慢的自然現象,因此本實施例中定義時間區間如下:[t0 t1 t2...tn],每段區間長度可以為1小時、8小時、24小時等不同定義,並藉由上個時間區間的各項空污資料進行預測下個時間區間的
空污指數,如表一所示:
其中直條紋為已知空污資料,斜條紋則為所要預測的空污指數。
請參考第三圖,為本發明一種LSTM架構示意圖。如圖所示,在本實施例中,LSTM的內部運算如下:f t =σ(U f .x t +W f .h t-1+b f )i t =σ(U i .x t +W i .h t-1+b i )
o t =σ(U o .x t +W o .h t-1+b o )h t =o t .tanh(c t )其中xt為第t個時刻的輸入,ht為第t個時刻的所產生的狀態,ct為第t個時刻的所形成的記憶,ft,it,,ot為LSTM內部的思考邏輯,其依據為xt及ht-1,即此時此刻的輸入與目前為止的狀態,此四種邏輯分別對應到人類的四種思考模式:「遺忘(ft)」、「記憶(it)」、「經驗()」、「想法(ot)」,參數ft可以決定過往的經驗是否仍需保留,而是此次的經驗,it則用以決定此次的經驗,()則決定有哪些部分值得記憶,而ot則是面對此次的輸入及此時的狀態所產生的應對想法,這個想法(ot)可在結合記憶(ct)可以產生新的狀態(ht),最後完成這次工作的狀態(ht)及記憶(ct)會
被保留,做為下一次的參考,以達到類似於人類記憶的效果。
請參考第四圖,為本發明一種整體學習模型示意圖。如圖所示,本實施例為避免當資料量太稀少時,預測模型可能會發生過於保守的預測,造成極高查準率(Precision)、低查全率(Recall)的狀況,除使用LSTM外,更納入XGBoost方法,植基於傳統AdaBoost,利用多個簡單的弱分類器(Weak Classifier),如:決策樹(Decision Tree)、回歸(Regression),加以拼湊以達到截長補短之效,從近十多年的實務經驗以顯示,AdaBoost不需利用核函數(Kernel Function)對資料做函數映射即具有相當優秀的流形(Manifold)學習能力,並且速度快,可有效處理大數據,而XGBoost則是針對AdaBoost加以改良而得,在最佳化過程中,可以更有效的學習;本案發明所建立的整體學習模型如圖四所示,空汙資料首先進入XGBoost以及LSTM同時學習,完成後,得到兩個不同的模型,再將這兩個不同模型的輸出結果結合原本空汙資料作為下一層的輸入,如此一來,便可得到兩層的整體學習模型,此種方法又稱為模型的堆疊(Stacking)。
為了檢驗本案發明實施例的功效,使用了環保署於全台各地60個一般測站的觀測資料,以2014年至2016年為訓練資料,2017年一月為測試資料,並對資料進行前處理(如表二),以進行方法模型評估,而為了檢驗模型對空氣汙染預報的準確度,我們分別定義三種指標-查準率(precision)、查
全率(recall)、F1 score如下:
請參考第五圖,為本發明實施例於2017年1月南部空氣品質預測結果圖。如圖所示,其查準率、查全率及F1 score三項指標於1hr、6hr、12hr皆高於75%,顯示本案發明實施例預報的準確度接近八成,其中RMSE代表著模型預測的結果與實際情況的誤差,其值越小越好,在理想情況下,預測值與實際值完全相同,則RMSE值為0,另若依上述步驟S204將空污合併資料進行一XGBoost分類演算法而得到的空污警報發佈與否之建議為須發佈空污警報時(例如PM2.5大於某一預設值時),則如圖五所示在左側發出空污警報或對外以其他方式發出警報。
上述之實施例僅為例示性說明本創作之特點及功效,非用以限制本創作之實質技術內容的範圍。任何熟悉此技藝之人士均可在不違背創作之精神及範疇下,對上述實施例進行修飾與變化。因此,本創作之權利保護範圍,應如後述之申請專利範圍所列。
Claims (7)
- 一種以機器學習模型建置空氣品質預測方法,步驟包括:(A)提供一空污資料,進行XGBoost回歸演算法以獲得一XGB預測值;(B)提供該空污資料,進行LSTM演算法以獲得一LSTM預測值;(C)將該空污資料、XGB預測值及LSTM預測值合併成一空污合併資料;(D)將該空污合併資料進行XGBoost分類演算法而得一空污警報發佈與否之建議;(E)將該空汙合併資料進行XGBoost回歸演算法而得一空污預測值。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該空污資料係包含PM2.5濃度、溫度、濕度、風速、風向、日期。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該日期係以二維座標(cosθ,sinθ)來表示,θ=(x/365)x3600。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該風向係以二維的座標(cosθ,sinθ)表示,θ為風向角度。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該空污合併資料係以向量格式合併該空污資料、XGB預測值及LSTM預測值。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該空污警報發佈與否之建議係包含一空污警報值。
- 如申請專利範圍第1項所述之以機器學習模型建置空氣品質預測方法,其中,該空污警報值係大於一預設值時則進行空污警報。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107113712A TWI662422B (zh) | 2018-04-23 | 2018-04-23 | Air quality prediction method based on machine learning model |
US16/179,993 US11488069B2 (en) | 2018-04-23 | 2018-11-04 | Method for predicting air quality with aid of machine learning models |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107113712A TWI662422B (zh) | 2018-04-23 | 2018-04-23 | Air quality prediction method based on machine learning model |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI662422B true TWI662422B (zh) | 2019-06-11 |
TW201944267A TW201944267A (zh) | 2019-11-16 |
Family
ID=67764519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107113712A TWI662422B (zh) | 2018-04-23 | 2018-04-23 | Air quality prediction method based on machine learning model |
Country Status (2)
Country | Link |
---|---|
US (1) | US11488069B2 (zh) |
TW (1) | TWI662422B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307292A (zh) * | 2023-05-22 | 2023-06-23 | 安徽中科蓝壹信息科技有限公司 | 一种基于机器学习和集成学习的空气质量预报优化方法 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11796524B1 (en) * | 2018-02-01 | 2023-10-24 | Massachusetts Mutual Life Insurance Company | Systems and methods for processing air particulate datasets |
US11727303B2 (en) * | 2019-08-22 | 2023-08-15 | Kyndryl, Inc. | Precipitation detection using mobile devices |
CN110941930A (zh) * | 2019-10-31 | 2020-03-31 | 天津大学 | 一种模拟蒙古乌兰巴托市pm2.5扩散情况的方法 |
CN113009888B (zh) * | 2019-12-20 | 2021-12-24 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置 |
CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
US20210207838A1 (en) * | 2020-01-03 | 2021-07-08 | AlgoLook, Inc. | Air particulate classification |
CN111314329B (zh) * | 2020-02-03 | 2022-01-28 | 杭州迪普科技股份有限公司 | 流量入侵检测系统和方法 |
KR102386150B1 (ko) * | 2020-03-25 | 2022-04-12 | 경일대학교산학협력단 | 모니터링 장치 및 모니터링 방법 |
CN111310774B (zh) * | 2020-04-01 | 2021-03-12 | 江苏商贸职业学院 | 一种基于图像质量的pm2.5浓度测量方法 |
CN111538076B (zh) * | 2020-05-13 | 2021-08-03 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
KR102218734B1 (ko) | 2020-05-20 | 2021-02-24 | 켐아이넷(주) | 인공지능 기반 환경유해인자 고해상도 데이터 보간방법 |
CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
CN112232366B (zh) * | 2020-09-09 | 2024-04-16 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112632847A (zh) * | 2020-11-26 | 2021-04-09 | 淮阴师范学院 | 基于XGBoost回归算法的水稻叶片淀粉含量遥感反演模型和方法 |
CN112699614B (zh) * | 2021-01-14 | 2023-01-31 | 长安大学 | 基于XGBoost的序列预测模型构建、降水趋势预测方法及装置 |
JP7445022B2 (ja) * | 2021-01-15 | 2024-03-06 | トヨタ自動車株式会社 | 空間評価システム |
CN112785056B (zh) * | 2021-01-22 | 2023-04-28 | 杭州市电力设计院有限公司 | 一种基于CatBoost和LSTM模型融合的短期负荷预测方法 |
US11480358B2 (en) * | 2021-02-25 | 2022-10-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
CN112801423B (zh) * | 2021-03-29 | 2021-07-20 | 北京英视睿达科技有限公司 | 空气质量监测数据的异常识别方法及装置、存储介质 |
US11512864B2 (en) * | 2021-04-14 | 2022-11-29 | Jiangnan University | Deep spatial-temporal similarity method for air quality prediction |
CN113295625B (zh) * | 2021-04-30 | 2023-04-18 | 西安理工大学 | 基于极端梯度提升的机器视觉染料浓度光谱检测方法 |
CN113468799A (zh) * | 2021-05-13 | 2021-10-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统 |
CN113420513B (zh) * | 2021-07-01 | 2023-03-07 | 西北工业大学 | 一种基于深度学习的水下圆柱体扰流分区流场预测方法 |
CN115840908B (zh) * | 2022-05-02 | 2023-07-14 | 河海大学 | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 |
CN115079308B (zh) * | 2022-07-04 | 2023-10-24 | 湖南省生态环境监测中心 | 一种空气质量集合预报系统及其方法 |
CN116884631B (zh) * | 2023-09-06 | 2023-12-12 | 杭州生奥信息技术有限公司 | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN105303051A (zh) * | 2015-11-11 | 2016-02-03 | 中国科学院遥感与数字地球研究所 | 一种空气污染物浓度预测方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
TWI619929B (zh) * | 2016-10-28 | 2018-04-01 | 神達電腦股份有限公司 | Air quality monitoring system and method thereof |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
-
2018
- 2018-04-23 TW TW107113712A patent/TWI662422B/zh active
- 2018-11-04 US US16/179,993 patent/US11488069B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN105303051A (zh) * | 2015-11-11 | 2016-02-03 | 中国科学院遥感与数字地球研究所 | 一种空气污染物浓度预测方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
TWI619929B (zh) * | 2016-10-28 | 2018-04-01 | 神達電腦股份有限公司 | Air quality monitoring system and method thereof |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307292A (zh) * | 2023-05-22 | 2023-06-23 | 安徽中科蓝壹信息科技有限公司 | 一种基于机器学习和集成学习的空气质量预报优化方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201944267A (zh) | 2019-11-16 |
US11488069B2 (en) | 2022-11-01 |
US20190325334A1 (en) | 2019-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI662422B (zh) | Air quality prediction method based on machine learning model | |
Khan et al. | Prediction of heat waves in Pakistan using quantile regression forests | |
Zhang et al. | Data-driven estimation of building energy consumption and GHG emissions using explainable artificial intelligence | |
WO2021258758A1 (zh) | 一种基于多因素的海岸线变化识别方法 | |
Liu et al. | Regional differences of China’s urban expansion from late 20th to early 21st century based on remote sensing information | |
Tompkins et al. | Potential predictability of malaria in Africa using ECMWF monthly and seasonal climate forecasts | |
WO2023213142A1 (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
Cintineo et al. | A deep-learning model for automated detection of intense midlatitude convection using geostationary satellite images | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN104732045A (zh) | 一种基于作物生长模型确定作物旱灾自然脆弱性曲线的方法 | |
Wen et al. | Applying an artificial neural network to simulate and predict Chinese fir (Cunninghamia lanceolata) plantation carbon flux in subtropical China | |
CN111831966A (zh) | 一种基于高维概率分布函数的组合河道水位预报方法 | |
Xiong et al. | Long time-series urban heat island monitoring and driving factors analysis using remote sensing and geodetector | |
Wang et al. | Nowcasting multicell short-term intense precipitation using graph models and random forests | |
Ren et al. | Variability of the Mindanao Current induced by El Niño events | |
Lei et al. | Spatial-temporal evolution and driving factors of water yield in three major drainage basins of Hainan Island based on land use change | |
Wang et al. | Spatial-temporal evolution mechanism and efficiency evaluation of drought resilience system in China | |
Lamers et al. | Forecasting tropical cyclone rainfall and flooding hazards and impacts | |
Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
CN108802854B (zh) | 一种基于Argos漂流浮标计算近表层通量的方法 | |
CN116776263A (zh) | 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统 | |
Kim et al. | Improvement in forecasting short-term tropical cyclone intensity change and their rapid intensification using deep learning | |
Ghonchepour et al. | Detection and prediction of land use changes and population dynamics in the Gorganrud River basin, Iran | |
Devis et al. | A height dependent evaluation of wind and temperature over Europe in the CMIP5 Earth System Models | |
Bose et al. | Simulation of atlantic hurricane tracks and features: A deep learning approach |