基于LSTM的环境污染时间序列预测模型的研究

发布时间：2021-07-22 20:01

　　随着工业的发展与汽车的普及,空气污染问题日益严重。如何对空气中污染成分进行准确的预测,对环境污染的治理具有重要意义。传统的时序预测方法存在预测误差大、耗时较长等不足。随着深度学习的发展,通过使用基于神经网络的方法可以准确分析空气中各污染成分。以环境污染状况为研究对象,研究一种基于神经网络的高效时序数据预测方法具有深刻的研究意义与实际应用价值。设计了一个更高效的长短期记忆神经网络。优化神经网络的逻辑架构,通过网格搜索算法对相关参数进行选取。探究不同的参数对预测结果的影响。选择相应的激活函数、损失函数、神经元数目等参数以降低误差和时间消耗。将新构建的神经网络模型与LSTM和GRU等神经网络对比,观察误差和时间消耗是否降低。验证多层的网络模型是否优于单层网络模型,并对预测的误差进行评价。改进后的预测模型使用堆叠式的,根据数据的特点选择LSTM的层数,通过调整各个参数来优化模型。且该模型主要对时序数据进行预测,以环境污染数据为例,通过实验结果表明:相比于RNN、LSTM、GRU等神经网络,改进后的神经网络预测的误差率更低,时间也相对缩短,更适合对环境污染时序数据进行预测。同时也使用了其他样本数... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

ARIMA建模流程

中 科 技 大 学 硕 士 学 位 论 文 神经网络的神经网络模型中，通常具有三层网络结构（输入层、隐含层和输数控制输出，各层之间通过全连接的方式进行连接,每层中的各个。这种传统的神经网络无法处理一些复杂问题。例如：对空缺单要知道前面与后面的单词，才能进行中间空缺单词的联想，即单。RNN(Recurrent Neural Network，循环神经网络)之所以称为循环络当前的输出与前面的输出相关。

与前面的输出相关。图 2-2 具有多个隐含层的 RNN 网络结构的 RNN 网络结构。具体表现是网络会息，即隐含层各个节点间是有连接的，自于上一隐含层的输出。按结构通常可以分为三大类：一对多模单个，输出是一个序列时，需要使用如图

【参考文献】：
期刊论文
[1]基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型[J]. 张施令,姚强.  电力自动化设备. 2018(09)
[2]ADF单位根检验法的替代方法[J]. 叶宗裕.  数量经济技术经济研究. 2017(06)
[3]多任务LS-SVM在时间序列预测中的应用[J]. 贾松达,庞宇松,阎高伟.  计算机工程与应用. 2018(03)
[4]基于经验模态分解的风电功率短期预测方法[J]. 王丽婕,李慧.  北京信息科技大学学报(自然科学版). 2013(06)
[5]广州PM2.5污染特征及影响因素分析[J]. 朱倩茹,刘永红,徐伟嘉,黄敏.  中国环境监测. 2013(02)

博士论文
[1]时间序列短期预测模型研究与应用[D]. 张浒.华中科技大学 2013

硕士论文
[1]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007



本文编号：3297803