近年來,我國(guó)多個(gè)城市霧霾天氣頻繁出現(xiàn),空氣質(zhì)量大幅下降,同時(shí)也給日常出行造成了很多不便,世界衛(wèi)生組織于2019年將空氣污染列為威脅全球健康的十大問題之一。目前我國(guó)政府持續(xù)加大對(duì)環(huán)境污染的治理力度,而改善霧霾污染是環(huán)境污染治理過程中的重點(diǎn)方向之一。國(guó)內(nèi)外學(xué)者對(duì)霧霾污染的預(yù)測(cè)做了大量的研究,但是還存在指標(biāo)單一,特征不足等問題。本文選用了邢臺(tái)市逐日的空氣污染因素及氣象因素?cái)?shù)據(jù)集作為研究對(duì)象。首先分析了邢臺(tái)市近年來霧霾變化情況,發(fā)現(xiàn)2014-2016年霧霾情況一直向好轉(zhuǎn)變,在2017年出現(xiàn)了輕微的波動(dòng)。利用最大信息系數(shù)做相關(guān)性分析后得出,PM2.5濃度與空氣污染因子的相關(guān)性較強(qiáng),與氣象因素的相關(guān)性強(qiáng)度整體偏弱。在模型構(gòu)建階段,根據(jù)時(shí)間序列數(shù)據(jù)的變動(dòng)特點(diǎn)對(duì)數(shù)據(jù)集進(jìn)行合理的預(yù)處理后,分別說明了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò),極端梯度提升和支持向量回歸模型的構(gòu)建過程,重點(diǎn)說明了各模型調(diào)參的方式,然后利用集成學(xué)習(xí)（Stacking）方法,將上述三個(gè)模型作為基學(xué)習(xí)器,極端梯度提升模型作為元學(xué)習(xí)器進(jìn)行融合并做出預(yù)測(cè),并設(shè)置對(duì)比模型來判斷融合后模型的優(yōu)劣。結(jié)果表明,本文構(gòu)建的融合模型表現(xiàn)較好,對(duì)邢臺(tái)市霧霾污染的預(yù)測(cè)研究有重... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

簡(jiǎn)單RNN結(jié)構(gòu)圖

蘭州大學(xué)碩士學(xué)位論文基于集成學(xué)習(xí)的霧霾污染預(yù)測(cè)研究10向量x，在進(jìn)入隱藏層之前需要乘以權(quán)重矩陣U，隱藏層s看上去是一個(gè)循環(huán)，其實(shí)是由上一時(shí)刻隱藏層的值s和當(dāng)前時(shí)刻的輸入x一起決定的，因此在每新接收一個(gè)輸入都會(huì)進(jìn)行這個(gè)一個(gè)循環(huán)，W是上一時(shí)刻隱藏層作為輸入的權(quán)重矩陣，V是隱藏層到輸出層的權(quán)重矩陣，o是輸出層向量，將上圖展開，循環(huán)神經(jīng)網(wǎng)絡(luò)可以分解成更詳細(xì)的結(jié)構(gòu)如下：圖2.2拆分后詳細(xì)圖在t時(shí)刻，輸入值為tx，隱藏層的值是ts，輸出層的值是to，to和ts的計(jì)算方法如下：1(),(),tttttogVssfUxWs（2.15）式（2.15）中，g表示激活函數(shù),V表示權(quán)重矩陣。隱藏層是一個(gè)循環(huán)層，U表示輸入值的權(quán)重矩陣，f表示激活函數(shù)，W表示t1時(shí)刻隱藏層輸出作為輸入的權(quán)重矩陣。反復(fù)將ts的計(jì)算方式帶入to，可以得到：112123123()()(())((()))((((...)))).tttttttttttttttogVsVfUxWsVfUxWfUxWsVfUxWfUxWfUxWsVfUxWfUxWfUxWfUx（2.16）從上式可以看出，RNN最終的輸出值to與前面時(shí)刻的輸入值tx、t1x、t2x、t3x...有關(guān)，說明RNN可以向前輸入任意多個(gè)值。2.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)算法缺點(diǎn)當(dāng)序列的時(shí)間跨度較長(zhǎng)時(shí)，RNN的學(xué)習(xí)效果并不是很好，因?yàn)殚L(zhǎng)序列的梯度在傳遞過程中很可能會(huì)發(fā)生梯度爆炸或者梯度消失，為了解決RNN的缺點(diǎn)，提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，該網(wǎng)絡(luò)順利解決了RNN的缺點(diǎn)，從而有著更加優(yōu)越的性能。

蘭州大學(xué)碩士學(xué)位論文基于集成學(xué)習(xí)的霧霾污染預(yù)測(cè)研究112.4長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)基本原理1997年Hochreiter和Schmidhuber提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Longshorttermmemory)，簡(jiǎn)寫為L(zhǎng)STM，LSTM在時(shí)間序列預(yù)測(cè)，語音識(shí)別等領(lǐng)域有著廣泛應(yīng)用。長(zhǎng)短期記憶網(wǎng)絡(luò)由RNN發(fā)展而來，在長(zhǎng)序列中有著很好的表現(xiàn)。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)解決RNN缺點(diǎn)的思路如下：RNN的結(jié)構(gòu)中隱藏層只有一個(gè)狀態(tài)h，LSTM的解決方法是在原來隱藏層的基礎(chǔ)上再增加一個(gè)狀態(tài)c，狀態(tài)c用來保存長(zhǎng)期的狀態(tài)，那么就能解決RNN在長(zhǎng)序列訓(xùn)練過程中的問題了。如下圖所示：圖2.3LSTM模型與RNN模型對(duì)比圖上圖中新增加的c稱為單元狀態(tài)(cellstate)。下圖是隱藏層的詳細(xì)結(jié)構(gòu)：圖2.4展開后詳細(xì)圖由圖2.4可以發(fā)現(xiàn)，狀態(tài)c在接收到新的記憶信息后進(jìn)行傳遞，輸出值h隨著狀態(tài)c的傳遞也在不斷變化。上圖中LSTM接收三個(gè)輸入向量，并產(chǎn)生兩個(gè)輸出向量。其中x、h、c都是向量。LSTM網(wǎng)絡(luò)的記憶功能由狀態(tài)c控制，LSTM模型使用了三個(gè)不同的開關(guān)來調(diào)整狀態(tài)c。圖2.5中，開關(guān)（1）負(fù)責(zé)控制保存記憶，開關(guān)（2）控制是否把狀

【參考文獻(xiàn)】：
期刊論文
[1]基于Stacking的地面PM2.5濃度估算[J]. 趙濱,劉斌.  環(huán)境工程. 2020(02)
[2]基于XGBoost的霧霾預(yù)測(cè)方法[J]. 張永梅,陳惠妮,張奕.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(12)
[3]空氣細(xì)顆粒物PM2.5對(duì)人體各系統(tǒng)危害的研究[J]. 索丹鳳,曾三武.  醫(yī)學(xué)信息. 2019(18)
[4]淺談大氣治理的實(shí)現(xiàn)路徑[J]. 邱永輝,王建國(guó),徐佳娟.  建材與裝飾. 2019(21)
[5]改進(jìn)PSO-GA-BP的PM2.5濃度預(yù)測(cè)[J]. 張旭,杜景林.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(06)
[6]中國(guó)城市霧霾的形成與治理:從分析框架到實(shí)踐創(chuàng)新[J]. 劉遙,陳子韜,吳建南.  城市發(fā)展研究. 2019(05)
[7]基于LSTM的PM2.5濃度預(yù)測(cè)模型[J]. 段大高,趙振東,梁少虎,楊偉杰,韓忠明.  計(jì)算機(jī)測(cè)量與控制. 2019(03)
[8]霧霾所致肺部損傷機(jī)制及研究概況[J]. 任雪珠,閻錫新.  國(guó)際呼吸雜志. 2018 (08)
[9]霧霾污染、政府治理與經(jīng)濟(jì)高質(zhì)量發(fā)展[J]. 陳詩(shī)一,陳登科.  經(jīng)濟(jì)研究. 2018(02)
[10]基于灰狼群智能最優(yōu)化的神經(jīng)網(wǎng)絡(luò)PM2.5濃度預(yù)測(cè)[J]. 石峰,樓文高,張博.  計(jì)算機(jī)應(yīng)用. 2017(10)

碩士論文
[1]邢臺(tái)市經(jīng)濟(jì)轉(zhuǎn)型的接替產(chǎn)業(yè)選擇研究[D]. 譚鑫.河北經(jīng)貿(mào)大學(xué) 2016
[2]長(zhǎng)江三角洲地區(qū)大氣污染物人為源排放特征研究[D]. 翟一然.南京大學(xué) 2012
[3]基于資源約束的邢臺(tái)市產(chǎn)業(yè)轉(zhuǎn)型研究[D]. 王瑞科.石家莊經(jīng)濟(jì)學(xué)院 2011



本文編號(hào)：3562493