检索结果-维普期刊中文期刊服务平台

基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓度预测被引量：38: 1; 作者黄婕张丰 +2 位作者杜震洪刘仁义曹晓裴《浙江大学学报（理学版）》 CAS CSCD 北大核心 2019年第3期370-379,共10页; 针对目前大部分PM_(2.5)预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模... 展开更多; 关键词 PM2.5小时浓度预测 RNN CNN 深度学习集成学习; 在线阅读下载PDF 职称材料

基于深度学习的城市臭氧小时浓度预测模型被引量：8: 2; 作者王凯胡冬梅 +3 位作者闫雨龙彭林尹浩张可可《环境化学》 CAS CSCD 北大核心 2023年第8期2609-2618,共10页; 近地面高浓度臭氧(O3)对城市环境空气质量、植物生长和人体健康等均有较大影响.因此,精准预报臭氧浓度对城市环境管理部门臭氧污染防治、居民出行决策建议、降低健康影响等具有重要意义.深度学习模型对于非线性关系具有较强捕捉和学习能... 展开更多; 关键词 O3 小时浓度预测深度学习图卷积神经网络长短期记忆神经网络.; 在线阅读下载PDF 职称材料

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型被引量：21: 3; 作者余辉袁晶 +2 位作者于旭耀张力新陈文亮《天津大学学报（自然科学与工程技术版）》 EI CSCD 北大核心 2017年第1期105-111,共7页; 针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法... 展开更多; 关键词 PM2.5 小时浓度预测多元时间序列模型跟踪预测; 在线阅读下载PDF 职称材料

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测被引量：7: 4; 作者傅颖颖张丰 +1 位作者杜震洪刘仁义《浙江大学学报（理学版）》 CAS CSCD 北大核心 2021年第1期74-83,共10页; PM2.5小时浓度多为单步预测。为实现PM2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测(Seq2Seq)模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注... 展开更多; 关键词 PM2.5小时浓度多步预测图卷积注意力机制深度学习; 在线阅读下载PDF 职称材料

题名基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓度预测被引量：38: 1; 作者黄婕张丰杜震洪刘仁义曹晓裴; 机构浙江大学浙江省资源与环境信息系统重点实验室浙江大学地理信息科学研究所; 出处《浙江大学学报（理学版）》 CAS CSCD 北大核心 2019年第3期370-379,共10页; 基金国家自然科学基金资助项目(41671391 41471313) 国家海洋公益性行业科研专项经费资助项目(201505003); 文摘针对目前大部分PM_(2.5)预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_(2.5)时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_(2.5)小时浓度预测。; 关键词 PM2.5小时浓度预测 RNN CNN 深度学习集成学习; Keywords PM2.5 hourly concentration prediction RNN CNN deep learning ensemble learning; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度学习的城市臭氧小时浓度预测模型被引量：8: 2; 作者王凯胡冬梅闫雨龙彭林尹浩张可可; 机构华北电力大学环境科学与工程学院; 出处《环境化学》 CAS CSCD 北大核心 2023年第8期2609-2618,共10页; 基金国家重点研发计划项目(2019YFC0214202,2019YFC0214203) 国家自然科学基金(21976053)资助。; 文摘近地面高浓度臭氧(O3)对城市环境空气质量、植物生长和人体健康等均有较大影响.因此,精准预报臭氧浓度对城市环境管理部门臭氧污染防治、居民出行决策建议、降低健康影响等具有重要意义.深度学习模型对于非线性关系具有较强捕捉和学习能力,因此本研究提出一种基于深度学习算法的混合模型,利用图卷积神经网络(GCN)及长短期记忆神经网络(LSTM)分别捕捉臭氧浓度空间和时间变化特征,耦合气象因子,构建基于时空关联的臭氧小时浓度预测模型GCN-LSTM,并以北京市为例开展应用研究.结果显示,GCN-LSTM模型可较好预测北京市未来72 h臭氧浓度,预测值与观测值决定系数为0.86;预测未来24、48、72 h臭氧浓度平均相对偏差分别为18.2%、19.2%和22.9%,RMSE值分别为17.3、23.7、25.4μg·m^(−3),对于48-72 h的长时预测准确度优于已有机器学习模型;当臭氧观测浓度介于0-80μg·m^(−3)、80-160μg·m^(−3)和160-200μg·m^(−3)时(共占总数据量的96.3%),预测平均相对偏差分别为20.1%、6.9%和16.4%;预测不同类型站点浓度时发现,城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点的平均相对偏差分别为7.9%、13.2%、24.4%和29.3%,RMSE值分别为10.8、14.9、20.1、31.4μg·m−3,模型对城市清洁对照点和城市环境评价点的预测准确度较高.使用本模型对城市大气臭氧小时浓度预测,将较好助力城市大气臭氧污染防治工作.; 关键词 O3 小时浓度预测深度学习图卷积神经网络长短期记忆神经网络.; Keywords O_(3) hourly concentration prediction deep learning graph convolutional neural network long short-term memory neural network; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] X515 [环境科学与工程—环境工程]; 在线阅读下载PDF 职称材料

题名基于ARMAX的PM_(2.5)小时浓度跟踪预测模型被引量：21: 3; 作者余辉袁晶于旭耀张力新陈文亮; 机构天津大学精密仪器与光电子工程学院; 出处《天津大学学报（自然科学与工程技术版）》 EI CSCD 北大核心 2017年第1期105-111,共7页; 基金国家重大科学仪器设备开发专项资助项目(2012YQ060165) 天津市科技支撑计划重点资助项目(14ZCZDSF00005)~~; 文摘针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE<20,μg,平均绝对误差MAE<20,μg,拟合优度R2>0.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.; 关键词 PM2.5 小时浓度预测多元时间序列模型跟踪预测; Keywords PM2.5 hourly concentration prediction multivariate time series model tracking prediction; 分类号 X513 [环境科学与工程—环境工程]; 在线阅读下载PDF 职称材料

题名融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测被引量：7: 4; 作者傅颖颖张丰杜震洪刘仁义; 机构浙江大学浙江省资源与环境信息系统重点实验室浙江大学地理信息科学研究所; 出处《浙江大学学报（理学版）》 CAS CSCD 北大核心 2021年第1期74-83,共10页; 基金国家重点研发计划项目(2018YFB0505000) 国家自然科学基金资助项目(41871287).; 文摘 PM2.5小时浓度多为单步预测。为实现PM2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测(Seq2Seq)模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测(GCN_Attention_Seq2Seq)模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络(GCN)可对PM2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM2.5浓度预测窗口。; 关键词 PM2.5小时浓度多步预测图卷积注意力机制深度学习; Keywords multi-step prediction of PM2.5 hourly concentration graph convolution attention mechanism deep learning; 分类号 P208 [天文地球—地图制图学与地理信息工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓度预测	黄婕张丰杜震洪刘仁义曹晓裴	《浙江大学学报（理学版）》 CAS CSCD 北大核心	2019	38	在线阅读下载PDF 职称材料
2	基于深度学习的城市臭氧小时浓度预测模型	王凯胡冬梅闫雨龙彭林尹浩张可可	《环境化学》 CAS CSCD 北大核心	2023	8	在线阅读下载PDF 职称材料
3	基于ARMAX的PM_(2.5)小时浓度跟踪预测模型	余辉袁晶于旭耀张力新陈文亮	《天津大学学报（自然科学与工程技术版）》 EI CSCD 北大核心	2017	21	在线阅读下载PDF 职称材料
4	融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测	傅颖颖张丰杜震洪刘仁义	《浙江大学学报（理学版）》 CAS CSCD 北大核心	2021	7	在线阅读下载PDF 职称材料