本文主要研究内容
作者金玉鹏（2019）在《基于改进自编码网络的空气污染物时序预测关键问题研究》一文中研究指出：空气污染预测在当前城市现代化和大气环境研究中是一个热门方向。如何利用好已观测到的空气污染历史数据,并从中挖掘出有效信息预测污染变化规律,对于污染治理、污染预防和污染预警有着重要意义。能够完整反映气象、排放源已经其它物理化学过程影响的数值预测方法是开展大气污染预测的重要手段。然而,当前空气污染数据分析存在的瓶颈包括:对于大气环境数据的快速高效处理能力存在瓶颈;(2)对于动态模拟污染变化,及各种气象因素之间互影响的过程存在瓶颈。传统基于理论的空气质量预测模型,虽然可以拟合空气污染的过程,但是由于数据维度、初始条件和物理化学参数仍存在极大的不确定性,导致这些传统模型对于空气污染的拟合能力有限。近些年,人工智能算法在图像和自然语言处理方面取得成功,这为大气污染分析预测提供新的思路和方法。深度学习是当前发展最为活跃的智能算法之一。深度学习有着大量的神经元,拥有强大的数据拟合能力。深度学习算法可以从丰富、海量的空气污染大数据中提取特征和规律,深层次揭示污染物之间、污染物和气象环境之间的深层次关联关系,实现更为精确的预测效果。深度学习技术为空气污染数据分析带来如下机遇:(1)基于神经网络的深层次特征分析;(2)基于多维数据的时序关联分析;基于上述考虑,本论文引入深度学习技术,充分发挥深度学习在大数据处理方面的优势,研究智能算法在环境科学领域中的交叉应用。本论文首先提出一个基于深度学习的空气污染物预测模型,然后从不同方面改进这一模型,以期达到更好的预测结果。对此,本文主要内容如下:(1)空气污染物浓度时序预测方法研究。本文提出了一个基于自编码神经网络的污染物浓度预测模型RASP(RLSTM and Attention sequence Prediction)。该模型包括两个部分:编码器(Encoder)和解码器(Decoder)。其中,编码器用于提取出时间序列污染物浓度数据分布特征;解码器利用提取的特征预测未知时间内污染物浓度数据。模型中编码器和解码器采用多层循环神经网络结构,实现长时间依赖的预测目标。同时,本文尝试改进循环神经网络方法,提出基于长短期记忆(LSTM)的新型循环神经网络,用以提升RASP模型的性能。(2)基于注意力机制的时序预测方法研究。本文认为不同时刻空气污染观测值不仅存在着影响,而且影响力也各不相同。因此,预测空气污染浓度需要有侧重地关注前面一个或多个时刻的空气观测值。在RASP模型的基础上,本文提出了基于注意力机制的模型,计算不同时刻的影响力,较多关注那些对后续时刻影响大的时刻,并将这些关注点融入到后续时刻的预测中。论文通过仿真实验证明,相比于传统的空气预测模型,本文提出的RASP模型可以提升空气污染预测的准确度,并且保持比较好的灵活性。同时,虽然复杂度有所提升,基于注意力机制的RASP模型可以进一步提升污染预测的水平。
Abstract
kong qi wu ran yu ce zai dang qian cheng shi xian dai hua he da qi huan jing yan jiu zhong shi yi ge re men fang xiang 。ru he li yong hao yi guan ce dao de kong qi wu ran li shi shu ju ,bing cong zhong wa jue chu you xiao xin xi yu ce wu ran bian hua gui lv ,dui yu wu ran zhi li 、wu ran yu fang he wu ran yu jing you zhao chong yao yi yi 。neng gou wan zheng fan ying qi xiang 、pai fang yuan yi jing ji ta wu li hua xue guo cheng ying xiang de shu zhi yu ce fang fa shi kai zhan da qi wu ran yu ce de chong yao shou duan 。ran er ,dang qian kong qi wu ran shu ju fen xi cun zai de ping geng bao gua :dui yu da qi huan jing shu ju de kuai su gao xiao chu li neng li cun zai ping geng ;(2)dui yu dong tai mo ni wu ran bian hua ,ji ge chong qi xiang yin su zhi jian hu ying xiang de guo cheng cun zai ping geng 。chuan tong ji yu li lun de kong qi zhi liang yu ce mo xing ,sui ran ke yi ni ge kong qi wu ran de guo cheng ,dan shi you yu shu ju wei du 、chu shi tiao jian he wu li hua xue can shu reng cun zai ji da de bu que ding xing ,dao zhi zhe xie chuan tong mo xing dui yu kong qi wu ran de ni ge neng li you xian 。jin xie nian ,ren gong zhi neng suan fa zai tu xiang he zi ran yu yan chu li fang mian qu de cheng gong ,zhe wei da qi wu ran fen xi yu ce di gong xin de sai lu he fang fa 。shen du xue xi shi dang qian fa zhan zui wei huo yue de zhi neng suan fa zhi yi 。shen du xue xi you zhao da liang de shen jing yuan ,yong you jiang da de shu ju ni ge neng li 。shen du xue xi suan fa ke yi cong feng fu 、hai liang de kong qi wu ran da shu ju zhong di qu te zheng he gui lv ,shen ceng ci jie shi wu ran wu zhi jian 、wu ran wu he qi xiang huan jing zhi jian de shen ceng ci guan lian guan ji ,shi xian geng wei jing que de yu ce xiao guo 。shen du xue xi ji shu wei kong qi wu ran shu ju fen xi dai lai ru xia ji yu :(1)ji yu shen jing wang lao de shen ceng ci te zheng fen xi ;(2)ji yu duo wei shu ju de shi xu guan lian fen xi ;ji yu shang shu kao lv ,ben lun wen yin ru shen du xue xi ji shu ,chong fen fa hui shen du xue xi zai da shu ju chu li fang mian de you shi ,yan jiu zhi neng suan fa zai huan jing ke xue ling yu zhong de jiao cha ying yong 。ben lun wen shou xian di chu yi ge ji yu shen du xue xi de kong qi wu ran wu yu ce mo xing ,ran hou cong bu tong fang mian gai jin zhe yi mo xing ,yi ji da dao geng hao de yu ce jie guo 。dui ci ,ben wen zhu yao nei rong ru xia :(1)kong qi wu ran wu nong du shi xu yu ce fang fa yan jiu 。ben wen di chu le yi ge ji yu zi bian ma shen jing wang lao de wu ran wu nong du yu ce mo xing RASP(RLSTM and Attention sequence Prediction)。gai mo xing bao gua liang ge bu fen :bian ma qi (Encoder)he jie ma qi (Decoder)。ji zhong ,bian ma qi yong yu di qu chu shi jian xu lie wu ran wu nong du shu ju fen bu te zheng ;jie ma qi li yong di qu de te zheng yu ce wei zhi shi jian nei wu ran wu nong du shu ju 。mo xing zhong bian ma qi he jie ma qi cai yong duo ceng xun huan shen jing wang lao jie gou ,shi xian chang shi jian yi lai de yu ce mu biao 。tong shi ,ben wen chang shi gai jin xun huan shen jing wang lao fang fa ,di chu ji yu chang duan ji ji yi (LSTM)de xin xing xun huan shen jing wang lao ,yong yi di sheng RASPmo xing de xing neng 。(2)ji yu zhu yi li ji zhi de shi xu yu ce fang fa yan jiu 。ben wen ren wei bu tong shi ke kong qi wu ran guan ce zhi bu jin cun zai zhao ying xiang ,er ju ying xiang li ye ge bu xiang tong 。yin ci ,yu ce kong qi wu ran nong du xu yao you ce chong de guan zhu qian mian yi ge huo duo ge shi ke de kong qi guan ce zhi 。zai RASPmo xing de ji chu shang ,ben wen di chu le ji yu zhu yi li ji zhi de mo xing ,ji suan bu tong shi ke de ying xiang li ,jiao duo guan zhu na xie dui hou xu shi ke ying xiang da de shi ke ,bing jiang zhe xie guan zhu dian rong ru dao hou xu shi ke de yu ce zhong 。lun wen tong guo fang zhen shi yan zheng ming ,xiang bi yu chuan tong de kong qi yu ce mo xing ,ben wen di chu de RASPmo xing ke yi di sheng kong qi wu ran yu ce de zhun que du ,bing ju bao chi bi jiao hao de ling huo xing 。tong shi ,sui ran fu za du you suo di sheng ,ji yu zhu yi li ji zhi de RASPmo xing ke yi jin yi bu di sheng wu ran yu ce de shui ping 。
论文参考文献
论文详细介绍
论文作者分别是来自上海师范大学的金玉鹏，发表于刊物上海师范大学2019-06-17论文，是一篇关于空气污染物浓度分析论文,大数据论文,自编码模型论文,深度学习论文,数值分析论文,长短期记忆网络论文,上海师范大学2019-06-17论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自上海师范大学2019-06-17论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：空气污染物浓度分析论文; 大数据论文; 自编码模型论文; 深度学习论文; 数值分析论文; 长短期记忆网络论文; 上海师范大学2019-06-17论文;