空氣質(zhì)量預(yù)測(cè)是當(dāng)前環(huán)境可持續(xù)領(lǐng)域研究的熱點(diǎn)與難點(diǎn),特別是PM2.5預(yù)測(cè)對(duì)居民健康與公共出行具有重要指導(dǎo)意義。政府為推動(dòng)環(huán)境精細(xì)化管理,部署了大量微環(huán)境質(zhì)量監(jiān)測(cè)站點(diǎn),形成了密集的網(wǎng)格化微監(jiān)測(cè)站點(diǎn)場(chǎng)景。目前對(duì)于PM2.5預(yù)測(cè)的研究主要是對(duì)于國(guó)基站這種稀疏型站點(diǎn),缺乏對(duì)密集型站點(diǎn)場(chǎng)景下的研究。對(duì)密集型站點(diǎn)場(chǎng)景中的PM2.5預(yù)測(cè)研究,可以助力政府推動(dòng)區(qū)域精細(xì)化管理。相比稀疏型站點(diǎn),密集型站點(diǎn)場(chǎng)景中站點(diǎn)空間聯(lián)系緊密,鄰近站點(diǎn)具有相似的時(shí)空特征,為深度學(xué)習(xí)與多任務(wù)學(xué)習(xí)等新興人工智能方法在PM2.5預(yù)測(cè)中的應(yīng)用提供了新的可能。本文以蘭州市為例,以359個(gè)密集型微監(jiān)測(cè)站點(diǎn)場(chǎng)景為研究對(duì)象,探索密集型站點(diǎn)場(chǎng)景內(nèi)的PM2.5預(yù)測(cè)方法。具體研究?jī)?nèi)容如下:（1）針對(duì)密集型站點(diǎn)中PM2.5預(yù)測(cè)方法研究不足的問(wèn)題,提出了基于深度學(xué)習(xí)的PM2.5預(yù)測(cè)方法在密集型場(chǎng)景中的整體預(yù)測(cè)體系方法,分析了可供選擇的應(yīng)用模型,給出了模型訓(xùn)練與評(píng)價(jià)的方法,為后續(xù)章節(jié)的研究工作建立基礎(chǔ)。（2）針對(duì)現(xiàn)有PM2.5預(yù)測(cè)方法無(wú)法滿足密集型站點(diǎn)應(yīng)用要求的問(wèn)題,提出了一種面向密集型站點(diǎn)的PM2.5混合預(yù)測(cè)模型CNN-GRU-FC,并在蘭州市三個(gè)... 

【文章來(lái)源】：西北師范大學(xué)甘肅省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

蘭州市空氣質(zhì)量微監(jiān)測(cè)站布局示意圖（局部）

第3章面向密集型站點(diǎn)的PM2.5混合預(yù)測(cè)模型設(shè)計(jì)21+fOutputInputBias.........11lxl1ixl1XlX1ljklijkljbljxFilterFilter圖3-2卷積層計(jì)算過(guò)程圖3-3門(mén)控循環(huán)單元門(mén)控循環(huán)單元的結(jié)構(gòu)如圖3-3所示。在模型訓(xùn)練中，具有時(shí)序特征的二維向量tx與上一時(shí)刻狀態(tài)t-1h拼接后作為輸入，進(jìn)入門(mén)控循環(huán)單元結(jié)構(gòu)通過(guò)激活函數(shù)（sigmoid函數(shù)）可得到門(mén)控信號(hào)tz和tr，如（式3-4）、（式3-5）。()()()zz=W+Uttt-1zxh(3-4)()()()rz=W+Uttt-1rxh(3-5)

第4章基于深度多任務(wù)學(xué)習(xí)的PM2.5預(yù)測(cè)模型37個(gè)訓(xùn)練過(guò)程中可以達(dá)到更低的損失值。以上實(shí)驗(yàn)表明，Adam優(yōu)化算法使用earlystopping方法進(jìn)行提前禁止訓(xùn)練更適應(yīng)與模型的訓(xùn)練，使用eralystopping方法下的Adam優(yōu)化算法在三個(gè)區(qū)域中Epoch和L都最小，Epoch分別為（86,52,116），L分別為（0.0021,0.0017,0.0019）。表4-1模型網(wǎng)絡(luò)結(jié)構(gòu)評(píng)價(jià)對(duì)比優(yōu)化算法動(dòng)量早停法S1S2S3EpochLEpochLEpochLSGD0.9/5000.00245000.00195000.0025Adam//5000.00255000.00185000.0027SGD0.9√4920.00244570.00194390.0025Adam/√860.0021520.00171160.0019圖4-2模型訓(xùn)練使用SGD或Adam優(yōu)化算法在驗(yàn)證集上的loss曲線通過(guò)以上實(shí)驗(yàn)結(jié)果分析，注意到兩種優(yōu)化算法在本章提出的模型中具有各自的優(yōu)點(diǎn)，SGD在最終損失函數(shù)值L下降的平穩(wěn)性上表現(xiàn)良好，Adam在收斂速度和L最小值效果方面更加出色，Adam配合earlystopping方法后，可以讓優(yōu)化效果更佳的同時(shí)，還能減少大量迭代次數(shù)從而節(jié)省大量的訓(xùn)練時(shí)間，因此，本模型使用Adam優(yōu)化算法與earlystopping方法對(duì)本MTD-CNN-GRU進(jìn)行模型訓(xùn)練。（2）模型網(wǎng)絡(luò)結(jié)構(gòu)確定為了確定MTD-CNN-GRU的具體網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，本章進(jìn)行了以下實(shí)驗(yàn)設(shè)計(jì)分析：（1）分別對(duì)CNN層和GRU層從1-3層網(wǎng)絡(luò)結(jié)構(gòu)模型預(yù)測(cè)結(jié)果進(jìn)行比較分析，確定網(wǎng)絡(luò)層數(shù)；（2）使用第一步實(shí)驗(yàn)最優(yōu)網(wǎng)絡(luò)層數(shù)結(jié)構(gòu)，對(duì)在共享層加入池化層前后模型預(yù)測(cè)效果進(jìn)行比較，驗(yàn)證模型結(jié)構(gòu)設(shè)計(jì)的合理性。


本文編號(hào)：3604409