發(fā)布時(shí)間：2020-12-28 14:34

　　空氣質(zhì)量問題近些年來已經(jīng)引起全世界范圍的關(guān)注�？諝馕廴緦τ谌祟惤】涤兄浅�(yán)重的影響。許多城市都存在著非常嚴(yán)重的空氣污染問題。然而,實(shí)時(shí)檢測空氣質(zhì)量的成本較高,而且實(shí)際操作難度大。因此,有效的空氣質(zhì)量預(yù)測方法對于保護(hù)人類健康、提高人類幸福感有很重要的意義。本文將應(yīng)用深度學(xué)習(xí)的方法來預(yù)測美國三個(gè)著名工業(yè)城市空氣質(zhì)量的分類。本文將建立的遞歸神經(jīng)網(wǎng)絡(luò)模型(Recurrent Neural Network)作為主要預(yù)測工具。遞歸神經(jīng)網(wǎng)絡(luò)模型可以有次序的處理和記憶序列數(shù)據(jù),例如一段時(shí)間內(nèi)的每日空氣質(zhì)量數(shù)據(jù)。本文展示了遞歸神經(jīng)網(wǎng)絡(luò)模型,以及兩種傳統(tǒng)的機(jī)器學(xué)習(xí)方法,包括支持向量機(jī)模型(Support Vector Machine)和隨機(jī)森林模型(Random Forest)一共三種網(wǎng)絡(luò)模型的預(yù)測空氣質(zhì)量分類的實(shí)驗(yàn)結(jié)果。結(jié)果表明,本文提出的遞歸神經(jīng)網(wǎng)絡(luò)模型與其余兩種方法相比,在不同的特征組合和序列長度實(shí)驗(yàn)中,具有更好的預(yù)測效果。相比于使用污染物的濃度,使用六種污染物的空氣質(zhì)量分指數(shù)值作為輸入變量可以更顯著的提高預(yù)測準(zhǔn)確率。其中,六種污染物的濃度和全天的空氣質(zhì)量總指數(shù)的特征組合在預(yù)測空氣質(zhì)量分類問題上最... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

洛杉磯城市的空氣質(zhì)量趨勢

圖 4-2 休斯頓城市的空氣質(zhì)量趨勢圖 4-3 亞特蘭大城市的空氣質(zhì)量趨勢 實(shí)驗(yàn)結(jié)果與分析.1 不同預(yù)測模型的實(shí)驗(yàn)結(jié)果本次實(shí)驗(yàn)將遞歸神經(jīng)網(wǎng)絡(luò)模型（RNN）與兩種傳統(tǒng)的機(jī)器學(xué)習(xí)方法，包

27圖 4-3 亞特蘭大城市的空氣質(zhì)量趨勢 實(shí)驗(yàn)結(jié)果與分析.1 不同預(yù)測模型的實(shí)驗(yàn)結(jié)果本次實(shí)驗(yàn)將遞歸神經(jīng)網(wǎng)絡(luò)模型（RNN）與兩種傳統(tǒng)的機(jī)器學(xué)習(xí)方法，包量機(jī)模型（SVM）和隨機(jī)森林模型（RF），進(jìn)行比較實(shí)驗(yàn)。三個(gè)模型在所有的參數(shù)設(shè)置范圍如表 4-7-表 4-9 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于自組織遞歸模糊神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測[J]. 周杉杉,李文靜,喬俊飛.  智能系統(tǒng)學(xué)報(bào). 2018(04)
[2]隨機(jī)森林算法在城市空氣質(zhì)量預(yù)測中的應(yīng)用[J]. 楊思琪,趙麗華.  統(tǒng)計(jì)與決策. 2017(20)
[3]基于MATLAB動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在環(huán)境污染事件預(yù)測中的研究[J]. 于秀麗.  電子商務(wù). 2017(09)
[4]基于GA-SVM的太原市空氣質(zhì)量指數(shù)預(yù)測[J]. 尹琪,胡紅萍,白艷萍,王建中.  數(shù)學(xué)的實(shí)踐與認(rèn)識. 2017(12)
[5]支持向量機(jī)理論與應(yīng)用研究綜述[J]. 張博洋.  無線互聯(lián)科技. 2015(19)
[6]基于極性轉(zhuǎn)移和LSTM遞歸網(wǎng)絡(luò)的情感分析[J]. 梁軍,柴玉梅,原慧斌,高明磊,昝紅英.  中文信息學(xué)報(bào). 2015(05)
[7]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[8]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[9]大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)
[10]基于支持向量機(jī)的目標(biāo)檢測算法綜述[J]. 郭明瑋,趙宇宙,項(xiàng)俊平,張陳斌,陳宗海.  控制與決策. 2014(02)

碩士論文
[1]支持向量機(jī)分類算法研究與應(yīng)用[D]. 彭璐.湖南大學(xué) 2007



本文編號：2943924