移动污染源排污浓度预测方法研究

发布时间：2020-10-17 10:21

　　 移动污染源是指位置随时间和空间变化的、移动的污染源,主要包括在移动过程中的机动车、工程车、移动式建筑机械、船舶和飞机等在工作过程中排放处大量有害废气。空气污染,特别是移动污染源中的超细颗粒物和挥发性有机物(Volatile Organic Compounds,VOCs)引起的大范围雾霾己经成为中国最突出的环境问题之一。因此,提前预测大气污染物浓度是加强大气污染防治,实现全面环境管理的基础,对人们的日常健康和政府决策具有重要意义。本文在国内外空气污染物浓度时空特征和预测方法研究的基础上,对神经网络、极限学习机、深度学习等方法就行深入研究,探索不同预测条件建立多种浓度预测模型,提高浓度预测精度,系统地对污染物浓度演变趋势进行分析和实验研究。(1)由于污染物浓度序列固有的复杂性,描述污染物浓度的演变趋势和准确预测是困难的。为了掌握空气污染物浓度时间分布规律,实现预测的准确性和实时性,本文提出了一种自适应模糊加权极限学习机(ANFIS-WELM),基于极限学习机(ELM)的正则化策略,以提高模糊神经网络的性能。所提出的ANFIS-WELM,具有降低随机性,降低计算复杂度和更好的泛化的优点。通过使用模糊隶属函数结合显式知识表示,随机选择ANFIS-WELM模糊层的参数,在加权极限学习机正则化策略中求解约束优化问题来确定模型神经层的参数。实验表明,相较于GA-BPNN、SVR、ELM、WELM、ANFIS、R-ELANFIS模型,提出的方法在预测准确性和实时性能之间实现了良好的平衡,并且在自主开发的移动污染源在线监测数据中心软件系统上完成了算法包的工程化应用,实现在时间轴上对污染物浓度的多尺度预测。(2)现有的研究方法未能有效地提取空气污染物浓度数据的时空特征,未能有效地模拟长期依赖性,并且大多数忽略了大气影响因子对空间相关性分析。本文提出了一种时空注意力卷积长短期记忆神经网络模型(Attention-CNN-LSTM),通过收集当前站以及最近邻站的历史空气污染物浓度,该模型分析最近邻站点之间的Granger因果关系并设计出一个超参数高斯向量权重函数以确定空间自相关变量,作为输入特征的一部分,然后使用卷积神经网络(CNN)来提取LSTM网络使用的数据的时空间特征,同时注意力模型分别用于加权特征图和通道以增强特征的有效性,除了在历史空气污染物数据中自动提取固有的有用特征之外,并将气象数据和时间戳数据合并到所提出的模型中以提高模型的预测性能。实验表明提出的方法具有良好的稳定性和预测性能,优于ARIMA、SVR、LSTM、CNN和CNN-LSTM模型。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：X51;TP18
【部分图文】：

图２．１具有２个输入和５个层的ＡＮＨＳ体系结构??，采用ＡＮＦＩＳ模型主要是因为它具有良好的学习，构建，扩展。该模型具有基于模糊规则的输入数据中的提取模式的优点，以寻建规则库。在由于数据本身的混乱性质而导致浓度预测问题通常很型可以智能地提取信息并将其转换为模糊系统，但是在训练模型中估计是必要的［８５＿８７］。有关ＡＮＦＩＳ结构的更多细节可以在Ｃｈａｎｇ和Ｃ机??本原理??是一种训练单隐层前馈神经网络（Ｓｉｎｇｌｅ?Ｈｉｄｄｅｎ?Ｌａｙｅｒ?Ｆｅｅｄ－Ｆｏｒｗａｒｄ方法，具有优异的学习准确性和速度。假设有Ｎ个训练数据［ｘｙ?＋?］，／＾２，－，；＾］７６?１＾是样本，１：＾／１４２，＂＿４，；／￡舻为样本＼的期应着输入和输出的维数。对于ａ／个训练样本，对于；个隐层节点，标／??ｈｇ（ａｉｘｊ?＋?＾７／）?＝?ｔ；－／?／?＝?１，２，？?？?？，?Ｎ．／＝ｉ??

ＬＳＴＭ存储器块是具有许多单元的复杂处理单元。存储器单元利用来自三个自适应乘法??门控单元的控制在多个时间步骤中存储信息。单元激活的输入和输出由存储器单元的输入和??输出门控制。当自回归值变得不相关时，使用遗忘门重置自回归值。遗忘门使用值０和１通??过与存储单元相乘来删除和保留值到下一步。存储器单元和所有门都有窥视孔连接，以了解??输出的精确时序。训练ＬＳＴＭ神经网络基于时间的截断反向传播算法（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｒｏｕｇｈ??Ｔｉｍｅ，?ＢＰＴＴ）和使用梯度下降优化方法的实时递归学习（Ｒｅａｌ－Ｔｉｍｅ?Ｒｅｃｕｒｒｅｎｔ?Ｌｅａｒｎｉｎｇ，?ＲＴＲＬ）??的修改版本［９７＿９８］，共同的目标函数是最小化平方误差之和。??２．４注意力机制概述??２．４．１注意力机制原理??当生物视觉系统试图解释视觉场景时，不可能一次处理在视网膜上发生的所有视觉刺激，??然后采用称为视觉注意机制。在这种机制中，场景中的一些选择性地指向或集中于特定对象??将受到关注，以便进一步分析。先前的研究人员已经进行了大量的研究来解释这种机制。许??多关注模型的基础可以追溯到Ｔｒｅｉｓｍａｎ和Ｇｅｌａｄｅ的特征整合理论。Ｋｏｃｈ和Ｕｌｌｍａｎ随后提出??了一种前馈模型，将这些特征结合起来以获得显着图。在２０世纪８０年代到９０年代，科学家??一经。。一

（ａ）卷积层?（ｂ）池化层??图２．４典型ＣＮＮ架构中的卷积和池化操作??２．５．２３Ｄ卷积神经网络??卷积神经网络是一种深度神经网络模型ｎｗｉ，已被广泛用于语音分析ｉｍｙ和图像识别［１Ｑ６］。??ＣＮＮ模型具有两个特征：局部感受野和权重共享。局部感受野意味着网络的每层中的单个神??经元仅连接到其输入层的对应邻域中的神经元。权重共享可以大大减少网络模型的训练参数，??并且需要相对较少的训练样本。２Ｄ－ＣＮＮ通过权重共享和卷积运算直接处理二维矩阵，避免??了传统模式识别算法中的复杂特征提取和数据重建过程。但是，２Ｄ－ＣＮＮ不考虑时间维度的??特征。出于这个原因，Ｄｕ提出在ＲＧＢ视频数据集上使用３Ｄ?ＣｏｎｖＮｅｔｓ来训练深度三维卷积??网络以学习时空特征｜１Ｇ７】。三维卷积公式如下：??Ｐ－１?Ｑ－ｌ?Ｒ－１??；＞＝０?＜／＝０?ｒ＝０??其中ｗ是卷积核，ｗ是输入特征映射，是输出特征映射，上标表示相应位置的元素值，??Ｐ，＊）和〖分别是三维的大小。??參??图２．５从连续帧中提取多个特征
【参考文献】

相关期刊论文 前1条

1 许建明;徐祥德;刘煜;丁国安;陈怀亮;胡江凯;张建春;吴昊;李维亮;何金海;杨元琴;王佳禾;;CMAQ-MOS区域空气质量统计修正模型预报途径研究[J];中国科学(D辑:地球科学);2005年S1期

本文编号：2844651