基于神经网络的PM 2.5 浓度预测研究与实现

发布时间：2021-06-10 12:26

　　随着智慧城市建设的不断深入,物联技术广泛应用,利用大数据、机器学习技术解决实际问题受到广泛关注,本论文着眼于智慧城市建设中空气污染物PM_2.5的预测问题进行研究。已有的相关研究中,一方面没有综合考虑到污染物和气象条件之间的相关性,只针对单一污染物进行周期性预测,泛化性很差,缺乏足够的准确性;另一方面,对污染物的预测粒度不够,不够细化,没有利用到已有监测数据是按小时为监测间隔的重要信息。本论文提出一种基于不同时间步长的预测研究方法,利用历史污染物数据和气象数据,训练不同时间窗口的模型。并且,利用模型根据当前1-72小时数据,对未来1-72小时的PM_2.5浓度进行预测。同时设计并实现了基于Hadoop的分布式存储系统（DFS,Distributed File System）,以满足未来智慧化城市运行中更大量、更复杂的空气质量相关数据的存储、分析和预测需求。本论文使用的数据来源于近5年内西安城区兴庆小区监测站点的污染物数据和气象数据。基于相关污染物和气象历史数据,本文创新性提出针对不同预测步长,采用三种预测模型进行训练并预测。线性回归模型:综合考虑... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：102 页

【学位级别】：硕士

【部分图文】：

线性模型拟合图示

简单三层网络

输入 X(t) 以及它自己的输出。可以用时间轴的方式表示这个网络，如图 2.4 所示（右），就是根据时间展开网络。图2.4 展开的 RNN 神经元每个递归神经元有两组权值：一组赋予输入 X(t)，另一组赋予前一个时间步的输出 y (t - 1)。称之为向量 Wx和 Wy，单个递归神经元的输出可以用公式（2-8）表示。-( )= ( ( ) π ( ) π ) （2-8）就像前馈神经网络，在一个批量的实例上，可以针对上面一个公式计算出一层递归神经元的输出，如公式（2-9）所示。


本文编号：3222367