基于递归神经网络的空气质量分类预测研究

发布时间：2020-12-28 14:34

　　空气质量问题近些年来已经引起全世界范围的关注。空气污染对于人类健康有着非常严重的影响。许多城市都存在着非常严重的空气污染问题。然而,实时检测空气质量的成本较高,而且实际操作难度大。因此,有效的空气质量预测方法对于保护人类健康、提高人类幸福感有很重要的意义。本文将应用深度学习的方法来预测美国三个著名工业城市空气质量的分类。本文将建立的递归神经网络模型(Recurrent Neural Network)作为主要预测工具。递归神经网络模型可以有次序的处理和记忆序列数据,例如一段时间内的每日空气质量数据。本文展示了递归神经网络模型,以及两种传统的机器学习方法,包括支持向量机模型(Support Vector Machine)和随机森林模型(Random Forest)一共三种网络模型的预测空气质量分类的实验结果。结果表明,本文提出的递归神经网络模型与其余两种方法相比,在不同的特征组合和序列长度实验中,具有更好的预测效果。相比于使用污染物的浓度,使用六种污染物的空气质量分指数值作为输入变量可以更显著的提高预测准确率。其中,六种污染物的浓度和全天的空气质量总指数的特征组合在预测空气质量分类问题上最... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

洛杉矶城市的空气质量趋势

图 4-2 休斯顿城市的空气质量趋势图 4-3 亚特兰大城市的空气质量趋势 实验结果与分析.1 不同预测模型的实验结果本次实验将递归神经网络模型（RNN）与两种传统的机器学习方法，包

27图 4-3 亚特兰大城市的空气质量趋势 实验结果与分析.1 不同预测模型的实验结果本次实验将递归神经网络模型（RNN）与两种传统的机器学习方法，包量机模型（SVM）和随机森林模型（RF），进行比较实验。三个模型在所有的参数设置范围如表 4-7-表 4-9 所示：

【参考文献】：
期刊论文
[1]基于自组织递归模糊神经网络的PM2.5浓度预测[J]. 周杉杉,李文静,乔俊飞.  智能系统学报. 2018(04)
[2]随机森林算法在城市空气质量预测中的应用[J]. 杨思琪,赵丽华.  统计与决策. 2017(20)
[3]基于MATLAB动态神经网络在环境污染事件预测中的研究[J]. 于秀丽.  电子商务. 2017(09)
[4]基于GA-SVM的太原市空气质量指数预测[J]. 尹琪,胡红萍,白艳萍,王建中.  数学的实践与认识. 2017(12)
[5]支持向量机理论与应用研究综述[J]. 张博洋.  无线互联科技. 2015(19)
[6]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英.  中文信息学报. 2015(05)
[7]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)
[8]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)
[9]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植.  模式识别与人工智能. 2014(04)
[10]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海.  控制与决策. 2014(02)

硕士论文
[1]支持向量机分类算法研究与应用[D]. 彭璐.湖南大学 2007



本文编号：2943924