【摘要】：近年來,隨著我國經(jīng)濟快速發(fā)展,工業(yè)化和城市化進程加快,以PM2.5為主的空氣污染問題越來越突出,嚴重影響人民的生產(chǎn)和生活。因此實現(xiàn)對PM2.5精準(zhǔn)預(yù)測具有重要的現(xiàn)實意義和社會價值。本文設(shè)計了改進型LSTM(長短時記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)PM2.5預(yù)測模型,是因為PM2.5的形成機理和過程比較復(fù)雜,組成成分多,具有不確定、不穩(wěn)定性,在時間和空間上具有非線性,數(shù)據(jù)維度多。LSTM(長短時記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,能夠?qū)M2.5相關(guān)數(shù)據(jù)進行非線性擬合,有效的考慮輸入數(shù)據(jù)的時序性,實現(xiàn)時間序列數(shù)據(jù)的編碼和解碼。LSTM(長短時記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型通過對大數(shù)據(jù)樣本的深度學(xué)習(xí),自行進行特征選擇,能更好地揭示PM2.5與影響因子間的本質(zhì)關(guān)系,提高了 PM2.5的預(yù)測精度。本文設(shè)計了缺失值數(shù)據(jù)狀態(tài)下的PM2.5預(yù)測模型,預(yù)測以空氣污染物和氣象數(shù)據(jù)為影響因子,在缺失輸入特征的情況,短期的PM2.5預(yù)測,缺失值可以用時間步(timestep)為7的移動平均值代替,長期的PM2.5預(yù)測,缺失值可用時間步(timestep)為20的移動平均值代替,實驗結(jié)果具有很高的準(zhǔn)確性。本文基于Tensorflow平臺,改進了 LSTM(長短時記憶型)的PM2.5預(yù)測模型設(shè)計,選取了北京、廣州2個城市實驗數(shù)據(jù)并轉(zhuǎn)化成標(biāo)準(zhǔn)化數(shù)據(jù)。通過設(shè)置和改變實驗LSTM(長短時記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型參數(shù)達到深度學(xué)習(xí)的優(yōu)化效果。本文設(shè)計了 SVR,隨機森林算法,LSTM(長短時記憶型)循環(huán)神經(jīng)網(wǎng)絡(luò)模型3組對比實驗。實驗結(jié)果表明:與SVR算法,隨機森林算法相比,LSTM(長短時記憶型)神經(jīng)網(wǎng)絡(luò)模型加入了 seq2seq模型后,預(yù)測率最高,精度可以達到8個小時以內(nèi)。本文采用LSTM(長短時記憶型)神經(jīng)網(wǎng)絡(luò)來實現(xiàn)對PM2.5預(yù)測,創(chuàng)新了 PM2.5預(yù)測方法。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：X513;TP183
【圖文】：

圖１．１神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖逡逑ｅｎｇＷ用人工yL經(jīng)網(wǎng)絡(luò)（ＡＮＮ）去預(yù)測ＰＭ２．５——基于空氣運利用小波變換將ＰＭ２．５的時間序列拆分成規(guī)律性更強的子序它們訓(xùn)練獨立的模型。針對神經(jīng)網(wǎng)絡(luò)在對空氣污染預(yù)測是，

（＾Ｘ２＾）邐（Ｘ）邋ｊ逡逑圖２．１神經(jīng)單元圖逡逑圖２．１是一個以七，ｘ２，七為輸入的神經(jīng)單元，參數(shù)為叫，放２，＞＾和偏置項６，逡逑其運算過程及輸出為：逡逑ｆ｛ｘ）邋＝邋ｆ｛ｗ＇ｘ）邋＝邋／（＾邐＋邋ｂ）邐（２．１邋）逡逑／＝１逡逑這個總和被輸入到一個激活函數(shù)，其中函數(shù)／（ｘ）稱為“激活函數(shù)”。這個激逡逑活函數(shù)的輸出最終就成為這個yL經(jīng)單元的輸出激活函數(shù)足yL經(jīng)網(wǎng)絡(luò)中的基本操作，逡逑每個激活函數(shù)的輸入都是一個數(shù)字，然后對其進行某種固定的數(shù)學(xué)操作。激活函逡逑數(shù)給yL經(jīng)單元引入了非線性因素，如果不用激活函數(shù)的話，無論神經(jīng)網(wǎng)絡(luò)有多少逡逑７逡逑

？Ｘ逡逑（＾Ｘ２＾）邐（Ｘ）邋ｊ逡逑圖２．１神經(jīng)單元圖逡逑圖２．１是一個以七，ｘ２，七為輸入的神經(jīng)單元，參數(shù)為叫，放２，＞＾和偏置項６，逡逑其運算過程及輸出為：逡逑ｆ｛ｘ）邋＝邋ｆ｛ｗ＇ｘ）邋＝邋／（＾邐＋邋ｂ）邐（２．１邋）逡逑／＝１逡逑這個總和被輸入到一個激活函數(shù)，其中函數(shù)／（ｘ）稱為“激活函數(shù)”。這個激逡逑活函數(shù)的輸出最終就成為這個yL經(jīng)單元的輸出激活函數(shù)足yL經(jīng)網(wǎng)絡(luò)中的基本操作，逡逑每個激活函數(shù)的輸入都是一個數(shù)字，然后對其進行某種固定的數(shù)學(xué)操作。激活函逡逑數(shù)給yL經(jīng)單元引入了非線性因素，如果不用激活函數(shù)的話，無論神經(jīng)網(wǎng)絡(luò)有多少逡逑７逡逑

【參考文獻】

相關(guān)期刊論文 前6條

1 張怡文;胡靜宜;王冉;;基于神經(jīng)網(wǎng)絡(luò)的PM_(2.5)預(yù)測模型[J];江蘇師范大學(xué)學(xué)報(自然科學(xué)版);2015年01期

2 胡玄子;陳小雪;錢葉亮;姜正龍;趙彤洲;;數(shù)據(jù)處理中缺失數(shù)據(jù)填充方法的研究[J];湖北工業(yè)大學(xué)學(xué)報;2013年05期

3 解淑艷;劉冰;李健軍;;全國環(huán)境空氣質(zhì)量數(shù)值預(yù)報預(yù)警系統(tǒng)建立探析[J];環(huán)境監(jiān)控與預(yù)警;2013年04期

4 朱倩茹;劉永紅;徐偉嘉;黃敏;;廣州PM_(2.5)污染特征及影響因素分析[J];中國環(huán)境監(jiān)測;2013年02期

5 王靜;楊復(fù)沫;王鼎益;賀克斌;;北京市MODIS氣溶膠光學(xué)厚度和PM_(2.5)質(zhì)量濃度的特征及其相關(guān)性[J];中國科學(xué)院研究生院學(xué)報;2010年01期

6 朱先磊,張遠航,曾立民,王瑋;北京市大氣細顆粒物PM_(2.5)的來源研究[J];環(huán)境科學(xué)研究;2005年05期

本文編號：2804941