基于神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測模型構(gòu)建研究
發(fā)布時間：2020-12-14 08:13
空氣質(zhì)量問題對人的身心健康影響巨大,近年來隨著城鄉(xiāng)居民生活水平的日益提高,人們對生活的環(huán)境也有了更高的認識和要求,對空氣質(zhì)量也有了更多的關(guān)注。空氣污染預(yù)測模型的建立可以及時發(fā)布預(yù)警信息,為環(huán)境質(zhì)量穩(wěn)步改善提供強有力技術(shù)支撐。提前發(fā)布重污染天氣預(yù)警和空氣質(zhì)量異常情況預(yù)警信息,精準提出污染管控時段與區(qū)域,及時形成重污染過程分析報告;靶向整治、污染溯源,可以為治理提供方向。污染過程結(jié)束后對比模型預(yù)測值和實際監(jiān)測結(jié)果,科學(xué)評估重污染過程管控成效,確�？諝赓|(zhì)量持續(xù)改善。具有一定的研究價值。本文以包頭市PM2.5污染物濃度為預(yù)測對象,以大氣環(huán)境污染作為研究背景,利用中國空氣質(zhì)量在線監(jiān)測分析平臺的歷史監(jiān)測數(shù)據(jù),構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的包頭市空氣質(zhì)量預(yù)測模型。本文結(jié)合自己在研究生階段所學(xué)習(xí)到的知識,在前人經(jīng)驗的基礎(chǔ)上來搭建預(yù)測模型。由于空氣污染物的濃度與時間具有極強的關(guān)聯(lián)性,利用LSTM（Long Short Term Memory）長短期記憶神經(jīng)網(wǎng)絡(luò)可以很好的處理這種與記憶相關(guān)的問題。實驗中的數(shù)據(jù)選取2013年12月2日到2019年9月30號止的數(shù)據(jù),總計2127條數(shù)據(jù),分別從不同方...
【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)
【文章頁數(shù)】：65 頁
【學(xué)位級別】：碩士
【部分圖文】：
在Github中與關(guān)鍵詞有關(guān)的項目開源深度學(xué)習(xí)庫TensorFlow允許將深度神經(jīng)網(wǎng)絡(luò)的計算部署到任意數(shù)量的CPU或
內(nèi)蒙古科技大學(xué)碩士學(xué)位論文9圖2.2TensorFlow中的某個數(shù)據(jù)流圖總結(jié)一下TensorFlow的工作流程，實際上它體現(xiàn)出來的是一個“惰性”方法論。(1)首先構(gòu)建一個計算圖。計算圖中的節(jié)點可以是TensorFlow所支持的任何數(shù)學(xué)操作。(2)初始化變量。將前期定義的變量賦初值。(3)創(chuàng)建一個會話。要想使之前定義的節(jié)點進行運算，必須要在會話中完成真正的操作。在會話中的執(zhí)行過程是自動化的，節(jié)點之間通常是并發(fā)執(zhí)行。(4)在會話中運行圖的計算。會話接收到經(jīng)編譯通過的合法計算流圖，這時張量才算是“流動”起來。在會話執(zhí)行過程中，我們也可以指派某個特定的CPU/GPU來進行操作。(5)關(guān)閉會話。當(dāng)所有的Session對象使用完成后，關(guān)閉會話以釋放資源。2.3循環(huán)神經(jīng)網(wǎng)絡(luò)在介紹循環(huán)神經(jīng)網(wǎng)絡(luò)前，首先介紹一下什么是神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)是利用生物學(xué)中類似于人類大腦神經(jīng)突觸連接的結(jié)構(gòu)來處理數(shù)據(jù)的一種數(shù)學(xué)模型，它就像一個黑瞎子一樣，需要一個或多個外部輸入，再經(jīng)過里面黑匣子的加工，將其轉(zhuǎn)化為一系列的輸出。機器學(xué)習(xí)和認知科學(xué)領(lǐng)域是它被經(jīng)常使用的場合，有時也把神經(jīng)網(wǎng)絡(luò)稱作類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的種類按照發(fā)展層級，可以概括為以下三種：第一種是基礎(chǔ)神經(jīng)網(wǎng)絡(luò)，在這一層里包含的神經(jīng)網(wǎng)絡(luò)有單層感知器，線性神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)；第二種是進階神經(jīng)網(wǎng)絡(luò)，它包含玻爾茲曼機，受限波爾玻爾茲曼機，和遞歸神經(jīng)網(wǎng)絡(luò)等網(wǎng)絡(luò)結(jié)構(gòu)；最后一種是深度神經(jīng)網(wǎng)路，它包含的神經(jīng)網(wǎng)絡(luò)種類有，深度置信網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM網(wǎng)絡(luò)等。
內(nèi)蒙古科技大學(xué)碩士學(xué)位論文11圖2.3RNN網(wǎng)絡(luò)結(jié)構(gòu)最簡單的RNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元如圖2.4所示，其中字母U，V，W分別為權(quán)重系數(shù)矩陣；大寫字母O代表輸出變量；大寫字母字母X代表輸入變量；大寫字母S代表狀態(tài)變量。單個RNN單元在不斷重復(fù)的做同一個事情，一樣的步驟，循環(huán)神經(jīng)網(wǎng)絡(luò)中需要有一定的結(jié)構(gòu)性體現(xiàn)出它的記憶性，在神經(jīng)元單元中會有一個隱含的狀態(tài)。將單個的隱藏層單元按時間序列進行展開，從圖中可以看出，每個隱藏層的輸入都包含著當(dāng)前時刻的輸入和前一時刻隱藏層的輸出。記下當(dāng)前t時刻的輸入，再把之前記憶下來的隱藏狀態(tài)t-1時刻的輸出信息St-1，乘以相應(yīng)的權(quán)重進行運算得到隱藏狀態(tài)的輸出，求和便得到當(dāng)前t時刻的節(jié)點輸出Ot，同時，這一步也會生成新的記憶單元更新得到St為下一個時刻做準備。即Xt是時間t處的輸入，St是時間t處的“記憶”，公式為：1()tttSfUXWs-=+，它是由之前的記憶St-1和新輸入的知識Xt共同計算得到新“記憶體”的內(nèi)容，函數(shù)f可以選擇tanh，也可以選擇sigmoid函數(shù)，Ot是時間t時刻的輸出，假如在一個預(yù)測下個單詞的問題中，經(jīng)過激活函數(shù)最后輸出的值就代表每個候選詞被選中的概率。圖2.4RNN單個隱藏層單元展開圖
【參考文獻】：
期刊論文
[1]一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法[J]. 陳細玉,林穗. 信息技術(shù)與網(wǎng)絡(luò)安全. 2020(05)
[2]基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測研究[J]. 吳慧靜,赫曉慧. 安徽師范大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[3]卷積神經(jīng)網(wǎng)絡(luò)過擬合問題研究[J]. 任義麗,羅路. 信息系統(tǒng)工程. 2019(05)
[4]基于LSTM神經(jīng)網(wǎng)絡(luò)的三七價格指數(shù)預(yù)測[J]. 李飛飛,宋慶燕,陳長秀,劉佳澤,高雪巖. 中國現(xiàn)代中藥. 2019(04)
[5]基于隨機森林和氣象參數(shù)的PM2.5濃度等級預(yù)測[J]. 任才溶,謝剛. 計算機工程與應(yīng)用. 2019(02)
[6]基于TensorFlow的LSTM模型在太原空氣質(zhì)量AQI指數(shù)預(yù)測中的應(yīng)用[J]. 張春露,白艷萍. 重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(08)
[7]基于遺傳算法改進的一階滯后濾波和長短期記憶網(wǎng)絡(luò)的藍藻水華預(yù)測方法[J]. 于家斌,尚方方,王小藝,許繼平,王立,張慧妍,鄭蕾. 計算機應(yīng)用. 2018(07)
[8]Prediction and Analysis of Air Quality Based on FCM and BP Neural Network[J]. Ji Degang,Xu Ao,Xie Xiaoxian. Meteorological and Environmental Research. 2018(03)
[9]基于注意力長短時記憶網(wǎng)絡(luò)的中文詞性標注模型[J]. 司念文,王衡軍,李偉,單義棟,謝鵬程. 計算機科學(xué). 2018(04)
[10]基于不同的神經(jīng)網(wǎng)絡(luò)模型PM2.5濃度預(yù)測對比[J]. 范劍輝,楊震,王海波,王小蓉. 青海環(huán)境. 2018(01)
碩士論文
[1]基于Faster R-CNN的公路路面病害檢測算法的研究[D]. 張寧.華東交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 魏操.成都理工大學(xué) 2019
[3]黃石市PM2.5日均濃度的建模與分析[D]. 黃蕓.湖北師范大學(xué) 2017
[4]基于RBF神經(jīng)網(wǎng)絡(luò)的PM10污染預(yù)測研究[D]. 王蘭霞.西安建筑科技大學(xué) 2008
[5]人工神經(jīng)網(wǎng)絡(luò)在大氣污染預(yù)報中的應(yīng)用研究[D]. 雷蕾.北京工業(yè)大學(xué) 2007
本文編號：2916122
【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)
【文章頁數(shù)】：65 頁
【學(xué)位級別】：碩士
【部分圖文】：
在Github中與關(guān)鍵詞有關(guān)的項目開源深度學(xué)習(xí)庫TensorFlow允許將深度神經(jīng)網(wǎng)絡(luò)的計算部署到任意數(shù)量的CPU或
內(nèi)蒙古科技大學(xué)碩士學(xué)位論文9圖2.2TensorFlow中的某個數(shù)據(jù)流圖總結(jié)一下TensorFlow的工作流程，實際上它體現(xiàn)出來的是一個“惰性”方法論。(1)首先構(gòu)建一個計算圖。計算圖中的節(jié)點可以是TensorFlow所支持的任何數(shù)學(xué)操作。(2)初始化變量。將前期定義的變量賦初值。(3)創(chuàng)建一個會話。要想使之前定義的節(jié)點進行運算，必須要在會話中完成真正的操作。在會話中的執(zhí)行過程是自動化的，節(jié)點之間通常是并發(fā)執(zhí)行。(4)在會話中運行圖的計算。會話接收到經(jīng)編譯通過的合法計算流圖，這時張量才算是“流動”起來。在會話執(zhí)行過程中，我們也可以指派某個特定的CPU/GPU來進行操作。(5)關(guān)閉會話。當(dāng)所有的Session對象使用完成后，關(guān)閉會話以釋放資源。2.3循環(huán)神經(jīng)網(wǎng)絡(luò)在介紹循環(huán)神經(jīng)網(wǎng)絡(luò)前，首先介紹一下什么是神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)是利用生物學(xué)中類似于人類大腦神經(jīng)突觸連接的結(jié)構(gòu)來處理數(shù)據(jù)的一種數(shù)學(xué)模型，它就像一個黑瞎子一樣，需要一個或多個外部輸入，再經(jīng)過里面黑匣子的加工，將其轉(zhuǎn)化為一系列的輸出。機器學(xué)習(xí)和認知科學(xué)領(lǐng)域是它被經(jīng)常使用的場合，有時也把神經(jīng)網(wǎng)絡(luò)稱作類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的種類按照發(fā)展層級，可以概括為以下三種：第一種是基礎(chǔ)神經(jīng)網(wǎng)絡(luò)，在這一層里包含的神經(jīng)網(wǎng)絡(luò)有單層感知器，線性神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)；第二種是進階神經(jīng)網(wǎng)絡(luò)，它包含玻爾茲曼機，受限波爾玻爾茲曼機，和遞歸神經(jīng)網(wǎng)絡(luò)等網(wǎng)絡(luò)結(jié)構(gòu)；最后一種是深度神經(jīng)網(wǎng)路，它包含的神經(jīng)網(wǎng)絡(luò)種類有，深度置信網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM網(wǎng)絡(luò)等。
內(nèi)蒙古科技大學(xué)碩士學(xué)位論文11圖2.3RNN網(wǎng)絡(luò)結(jié)構(gòu)最簡單的RNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元如圖2.4所示，其中字母U，V，W分別為權(quán)重系數(shù)矩陣；大寫字母O代表輸出變量；大寫字母字母X代表輸入變量；大寫字母S代表狀態(tài)變量。單個RNN單元在不斷重復(fù)的做同一個事情，一樣的步驟，循環(huán)神經(jīng)網(wǎng)絡(luò)中需要有一定的結(jié)構(gòu)性體現(xiàn)出它的記憶性，在神經(jīng)元單元中會有一個隱含的狀態(tài)。將單個的隱藏層單元按時間序列進行展開，從圖中可以看出，每個隱藏層的輸入都包含著當(dāng)前時刻的輸入和前一時刻隱藏層的輸出。記下當(dāng)前t時刻的輸入，再把之前記憶下來的隱藏狀態(tài)t-1時刻的輸出信息St-1，乘以相應(yīng)的權(quán)重進行運算得到隱藏狀態(tài)的輸出，求和便得到當(dāng)前t時刻的節(jié)點輸出Ot，同時，這一步也會生成新的記憶單元更新得到St為下一個時刻做準備。即Xt是時間t處的輸入，St是時間t處的“記憶”，公式為：1()tttSfUXWs-=+，它是由之前的記憶St-1和新輸入的知識Xt共同計算得到新“記憶體”的內(nèi)容，函數(shù)f可以選擇tanh，也可以選擇sigmoid函數(shù)，Ot是時間t時刻的輸出，假如在一個預(yù)測下個單詞的問題中，經(jīng)過激活函數(shù)最后輸出的值就代表每個候選詞被選中的概率。圖2.4RNN單個隱藏層單元展開圖
【參考文獻】：
期刊論文
[1]一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法[J]. 陳細玉,林穗. 信息技術(shù)與網(wǎng)絡(luò)安全. 2020(05)
[2]基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測研究[J]. 吳慧靜,赫曉慧. 安徽師范大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[3]卷積神經(jīng)網(wǎng)絡(luò)過擬合問題研究[J]. 任義麗,羅路. 信息系統(tǒng)工程. 2019(05)
[4]基于LSTM神經(jīng)網(wǎng)絡(luò)的三七價格指數(shù)預(yù)測[J]. 李飛飛,宋慶燕,陳長秀,劉佳澤,高雪巖. 中國現(xiàn)代中藥. 2019(04)
[5]基于隨機森林和氣象參數(shù)的PM2.5濃度等級預(yù)測[J]. 任才溶,謝剛. 計算機工程與應(yīng)用. 2019(02)
[6]基于TensorFlow的LSTM模型在太原空氣質(zhì)量AQI指數(shù)預(yù)測中的應(yīng)用[J]. 張春露,白艷萍. 重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(08)
[7]基于遺傳算法改進的一階滯后濾波和長短期記憶網(wǎng)絡(luò)的藍藻水華預(yù)測方法[J]. 于家斌,尚方方,王小藝,許繼平,王立,張慧妍,鄭蕾. 計算機應(yīng)用. 2018(07)
[8]Prediction and Analysis of Air Quality Based on FCM and BP Neural Network[J]. Ji Degang,Xu Ao,Xie Xiaoxian. Meteorological and Environmental Research. 2018(03)
[9]基于注意力長短時記憶網(wǎng)絡(luò)的中文詞性標注模型[J]. 司念文,王衡軍,李偉,單義棟,謝鵬程. 計算機科學(xué). 2018(04)
[10]基于不同的神經(jīng)網(wǎng)絡(luò)模型PM2.5濃度預(yù)測對比[J]. 范劍輝,楊震,王海波,王小蓉. 青海環(huán)境. 2018(01)
碩士論文
[1]基于Faster R-CNN的公路路面病害檢測算法的研究[D]. 張寧.華東交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 魏操.成都理工大學(xué) 2019
[3]黃石市PM2.5日均濃度的建模與分析[D]. 黃蕓.湖北師范大學(xué) 2017
[4]基于RBF神經(jīng)網(wǎng)絡(luò)的PM10污染預(yù)測研究[D]. 王蘭霞.西安建筑科技大學(xué) 2008
[5]人工神經(jīng)網(wǎng)絡(luò)在大氣污染預(yù)報中的應(yīng)用研究[D]. 雷蕾.北京工業(yè)大學(xué) 2007
本文編號：2916122
本文鏈接：http://sikaile.net/shoufeilunwen/boshibiyelunwen/2916122.html
最近更新
教材專著
