近年來(lái),環(huán)境問(wèn)題日益嚴(yán)重,霧霾污染問(wèn)題對(duì)環(huán)境、人類(lèi)健康和社會(huì)經(jīng)濟(jì)都有嚴(yán)重的不利影響,國(guó)家和政府為了治理霧霾污染,已經(jīng)采取了很多具體措施并取得一定成效,但是霧霾污染問(wèn)題依然嚴(yán)重,傳統(tǒng)的治理措施已經(jīng)無(wú)法起到良好的效果。而面對(duì)霧霾問(wèn)題,希望通過(guò)高效的算法模型,在提前對(duì)氣候質(zhì)量進(jìn)行檢測(cè),及時(shí)預(yù)測(cè)并了解空氣污染情況,了解通過(guò)提供預(yù)警和指導(dǎo)來(lái)保護(hù)公眾健康,是處理霧霾問(wèn)題的一項(xiàng)重要手段。環(huán)境保護(hù)工作中發(fā)展更敏捷、更智能的監(jiān)測(cè)手段也變得越來(lái)越有必要。本文將以北京市為例,采取北京市5年的氣象數(shù)據(jù)以及大氣污染數(shù)據(jù),目的為預(yù)測(cè)大氣污染PM2.5含量,提出了一種基于時(shí)序信號(hào)數(shù)據(jù)處理與深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的混合模型,應(yīng)用于本課題中的PM2.5預(yù)測(cè)與應(yīng)用中。主要從霧霾大數(shù)據(jù)分解為多模態(tài)時(shí)序數(shù)據(jù)再進(jìn)行深度學(xué)習(xí),將其結(jié)果集成并進(jìn)行預(yù)測(cè),提高了模型預(yù)測(cè)精度。本文主要研究工作如下所示:(1)介紹了本課題的研究背景和研究現(xiàn)狀,根據(jù)國(guó)內(nèi)外等時(shí)序數(shù)據(jù)預(yù)測(cè)的研究現(xiàn)狀,歸納了現(xiàn)有的預(yù)測(cè)方法,總結(jié)出現(xiàn)有預(yù)測(cè)方法的不足和進(jìn)步空間,并提出本文的主要研究和創(chuàng)新之處。(2)根據(jù)本研究課題特性,對(duì)時(shí)序模型做了分類(lèi)概述,提出一種基于集成經(jīng)...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.6GRU基本單元圖

重慶大學(xué)碩士學(xué)位論文18第三個(gè)首先創(chuàng)建了一個(gè)新的細(xì)胞狀態(tài)值，并同前兩項(xiàng)一起更新細(xì)胞狀態(tài)：=([1，]+)(2.15)=1+(2.16)第四個(gè)決定哪個(gè)部分將被輸出，并基于時(shí)刻的細(xì)胞狀態(tài)確定最后輸出信息：=([1，]+)(2.17)=()(2.18)至此，一個(gè)細(xì)胞完成了一次結(jié)合以往狀....

圖2.8（a）標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)（b）應(yīng)用dropout后的網(wǎng)絡(luò)Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology

2相關(guān)理論技術(shù)分析21練模型。圖2.8（a）標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)（b）應(yīng)用dropout后的網(wǎng)絡(luò)Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology具體地，在模型訓(xùn)練過(guò)程中Dropout算法的....

圖4.1天氣歷史數(shù)據(jù)分布圖

4模型驗(yàn)證與結(jié)果分析33圖4.1天氣歷史數(shù)據(jù)分布圖Fig.4.1Thedistributionmapofweather’shistorydata在原始數(shù)據(jù)集中，選取2010-2013前四年的樣本數(shù)據(jù)，共35039條數(shù)據(jù)（2010年天氣數(shù)據(jù)）作為訓(xùn)練數(shù)據(jù)集樣本，選取2014年樣本數(shù)....

圖4.2損失誤差曲線圖（實(shí)驗(yàn)二）

4模型驗(yàn)證與結(jié)果分析37序數(shù)據(jù)的處理效果表現(xiàn)優(yōu)異。這里將它設(shè)置為實(shí)驗(yàn)二，用一個(gè)單LSTM模型與全連接網(wǎng)絡(luò)相連來(lái)驗(yàn)證其在處理時(shí)序數(shù)據(jù)預(yù)測(cè)時(shí)的特性并與傳統(tǒng)機(jī)器學(xué)習(xí)模型SVR做出比較。在本實(shí)驗(yàn)中設(shè)置LSTM隱含層每層各50個(gè)神經(jīng)元，激活函數(shù)為relu函數(shù)，第一層中引入dropout=0....

本文編號(hào)：3991345