本文主要研究内容
作者赵文芳,林润生,唐伟,周勇（2019）在《基于深度学习的PM2.5短期预测模型》一文中研究指出：为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.
Abstract
wei le di gao PM2.5nong du duan ji yu bao de zhun que lv ,jie jue xian you PM2.5nong du duan ji yu bao zhun que lv bu gao de wen ti ,di chu le yi chong ji yu juan ji shen jing wang lao he chang duan shi ji yi de shen du xue xi yu bao ce xing .shou xian ,zeng ge kao lv qi wen 、xiang dui shi du 、jiang shui liang 、feng li 、neng jian du deng duo chong qi xiang yao su ,zeng ge fen xi qi xiang yao su yu PM2.5nong du xiang guan xing .ji ci ,li yong PM2.5nong du shu ju 、qi xiang zhan dian guan ce shu ju he qi xiang yao su wang ge shi kuang fen xi shu ju jin hang rong ge chu li ,sheng cheng yong yu xun lian he ce shi de shi kong xu lie shu ju ,bing shi yong juan ji shen jing wang lao he chang duan shi ji yi wang lao huo qu shi kong te zheng .tong guo da liang shi yan que ding mo xing zhong guan jian can shu ,ran hou li yong zui you can shu jian li yu ce mo xing .zui hou ,shi yong mo xing dui PM2.5wei lai 24 hnong du jin hang yu ce ,bing yu zhi chi xiang liang ji 、ye wu zhong de yu bao mo xing jin hang dui bi .shi yan jie guo biao ming ,xiang bi ji ta ji qi xue xi fang fa he yu bao fang fa ,juan ji shen jing wang lao he chang duan shi ji yi xiang jie ge de yu ce fang fa neng you xiao di gao PM2.5nong du wei lai 24 hyu ce jing du ,bing ju you jiao gao de fan hua neng li .
论文参考文献
论文详细介绍
论文作者分别是来自南京师大学报(自然科学版)的赵文芳,林润生,唐伟,周勇，发表于刊物南京师大学报(自然科学版)2019年03期论文，是一篇关于浓度预测论文,机器学习论文,长短时记忆论文,深度学习论文,卷积神经网络论文,南京师大学报(自然科学版)2019年03期论文的文章。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，资料来自南京师大学报(自然科学版)2019年03期论文网站，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：浓度预测论文; 机器学习论文; 长短时记忆论文; 深度学习论文; 卷积神经网络论文; 南京师大学报(自然科学版)2019年03期论文;