發(fā)布時間：2024-06-08 02:53

　　近年來,環(huán)境問題日益嚴重,霧霾污染問題對環(huán)境、人類健康和社會經(jīng)濟都有嚴重的不利影響,國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,但是霧霾污染問題依然嚴重,傳統(tǒng)的治理措施已經(jīng)無法起到良好的效果。而面對霧霾問題,希望通過高效的算法模型,在提前對氣候質量進行檢測,及時預測并了解空氣污染情況,了解通過提供預警和指導來保護公眾健康,是處理霧霾問題的一項重要手段。環(huán)境保護工作中發(fā)展更敏捷、更智能的監(jiān)測手段也變得越來越有必要。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),目的為預測大氣污染PM2.5含量,提出了一種基于時序信號數(shù)據(jù)處理與深度學習神經(jīng)網(wǎng)絡算法相結合的混合模型,應用于本課題中的PM2.5預測與應用中。主要從霧霾大數(shù)據(jù)分解為多模態(tài)時序數(shù)據(jù)再進行深度學習,將其結果集成并進行預測,提高了模型預測精度。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)國內(nèi)外等時序數(shù)據(jù)預測的研究現(xiàn)狀,歸納了現(xiàn)有的預測方法,總結出現(xiàn)有預測方法的不足和進步空間,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,對時序模型做了分類概述,提出一種基于集成經(jīng)...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

圖2.6GRU基本單元圖

重慶大學碩士學位論文18第三個首先創(chuàng)建了一個新的細胞狀態(tài)值，并同前兩項一起更新細胞狀態(tài)：=([1，]+)(2.15)=1+(2.16)第四個決定哪個部分將被輸出，并基于時刻的細胞狀態(tài)確定最后輸出信息：=([1，]+)(2.17)=()(2.18)至此，一個細胞完成了一次結合以往狀....

圖2.8（a）標準神經(jīng)網(wǎng)絡（b）應用dropout后的網(wǎng)絡Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology

2相關理論技術分析21練模型。圖2.8（a）標準神經(jīng)網(wǎng)絡（b）應用dropout后的網(wǎng)絡Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology具體地，在模型訓練過程中Dropout算法的....

圖4.1天氣歷史數(shù)據(jù)分布圖

4模型驗證與結果分析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（實驗二）

4模型驗證與結果分析37序數(shù)據(jù)的處理效果表現(xiàn)優(yōu)異。這里將它設置為實驗二，用一個單LSTM模型與全連接網(wǎng)絡相連來驗證其在處理時序數(shù)據(jù)預測時的特性并與傳統(tǒng)機器學習模型SVR做出比較。在本實驗中設置LSTM隱含層每層各50個神經(jīng)元，激活函數(shù)為relu函數(shù)，第一層中引入dropout=0....

本文編號：3991345