隨著智慧城市建設的不斷深入,物聯(lián)技術廣泛應用,利用大數(shù)據(jù)、機器學習技術解決實際問題受到廣泛關注,本論文著眼于智慧城市建設中空氣污染物PM_2.5的預測問題進行研究。已有的相關研究中,一方面沒有綜合考慮到污染物和氣象條件之間的相關性,只針對單一污染物進行周期性預測,泛化性很差,缺乏足夠的準確性;另一方面,對污染物的預測粒度不夠,不夠細化,沒有利用到已有監(jiān)測數(shù)據(jù)是按小時為監(jiān)測間隔的重要信息。本論文提出一種基于不同時間步長的預測研究方法,利用歷史污染物數(shù)據(jù)和氣象數(shù)據(jù),訓練不同時間窗口的模型。并且,利用模型根據(jù)當前1-72小時數(shù)據(jù),對未來1-72小時的PM_2.5濃度進行預測。同時設計并實現(xiàn)了基于Hadoop的分布式存儲系統(tǒng)（DFS,Distributed File System）,以滿足未來智慧化城市運行中更大量、更復雜的空氣質量相關數(shù)據(jù)的存儲、分析和預測需求。本論文使用的數(shù)據(jù)來源于近5年內西安城區(qū)興慶小區(qū)監(jiān)測站點的污染物數(shù)據(jù)和氣象數(shù)據(jù)�；谙嚓P污染物和氣象歷史數(shù)據(jù),本文創(chuàng)新性提出針對不同預測步長,采用三種預測模型進行訓練并預測。線性回歸模型:綜合考慮... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學位級別】：碩士

【部分圖文】：

線性模型擬合圖示

簡單三層網(wǎng)絡

輸入 X(t) 以及它自己的輸出�？梢杂脮r間軸的方式表示這個網(wǎng)絡，如圖 2.4 所示（右），就是根據(jù)時間展開網(wǎng)絡。圖2.4 展開的 RNN 神經(jīng)元每個遞歸神經(jīng)元有兩組權值：一組賦予輸入 X(t)，另一組賦予前一個時間步的輸出 y (t - 1)。稱之為向量 Wx和 Wy，單個遞歸神經(jīng)元的輸出可以用公式（2-8）表示。-( )= ( ( ) π ( ) π ) （2-8）就像前饋神經(jīng)網(wǎng)絡，在一個批量的實例上，可以針對上面一個公式計算出一層遞歸神經(jīng)元的輸出，如公式（2-9）所示。


本文編號：3222367