基于深度学习的空气质量预测模型分析研究
发布时间：2024-03-26 03:18
近年来,随着我国经济的快速发展以及城市化进程的快速推进,空气污染问题愈发的严重。空气污染不仅严重影响人们的日常生活和身心健康,同时对社会的可持续发展也带来了巨大的阻碍,已经引起了社会各界的高度重视。因此,对空气质量进行精确的评价与预测具有重要的现实意义和社会价值。随着大数据和人工智能技术的兴起,传统的空气质量预测方法已经不能满足对大数据进行智能化处理的需求,许多学者开始基于大数据,利用智能化的方法对空气质量进行评价与预测。深度学习是人工智能技术的重要分支,具有强大的特征提取和数据拟合能力,在图像识别和分类预测等方面具有广泛的应用。鉴于此,本文将深度学习引入到空气质量预测中,用西安市2013年11月至2019年2月的空气质量监测数据构建训练样本库,以深度信念网络(DBN)和自动编码器(AE)为基础,构建了DBN、DBN-ELM和DAE-BP三个基于深度学习的空气质量预测模型。主要研究内容如下:(1)通过对国内外相关文献的调研,选取CO、NO2、SO2、O3、PM2.5、PM10六...
【文章页数】：91 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.1.1 课题背景
1.1.2 研究的意义与目的
1.2 国内外研究进展
1.3 研究内容与论文结构安排
1.3.1 研究内容
1.3.2 论文结构安排
第二章 相关理论分析
2.1 空气质量预测的定义
2.2 空气中主要污染物介绍
2.3 空气质量指数及其分级
2.4 预测流程和评价指标
2.4.1 空气质量预测的流程
2.4.2 模型的评价指标
2.5 深度学习概述
2.5.1 深度学习原理及本质
2.5.2 深度学习的特点
2.6 深度学习常用的模型及方法
2.6.1 深度信念网络
2.6.2 自编码器
2.6.3 卷积神经网络
2.7 深度学习的应用
2.8 本章小结
第三章 数据的获取及预处理
3.1 引言
3.2 空气质量数据预处理
3.2.1 数据来源
3.2.2 数据预处理
3.2.3 空气质量数据集变量关系可视化
3.3 本章小结
第四章 基于深度信念网络的空气质量预测
4.1 引言
4.2 试验环境搭建
4.3 深度信念网络结构
4.3.1 深度信念网络
4.3.2 训练方法
4.4 BP神经网络
4.5 基于深度信念网络(DBN)的空气质量评价预测模型
4.5.1 空气质量评价预测模型的构建过程
4.5.2 DBN模型网络结构设计
4.6 仿真试验结果分析
4.6.1 仿真设置
4.6.2 网络结构参数分析
4.6.3 预测及结果分析
4.6.4 模型对比
4.7 本章小结
第五章 基于改进深度信念网络的空气质量预测
5.1 引言
5.2 深度信念网络
5.3 极限学习机(ELM)
5.3.1 算法介绍及应用
5.3.2 算法的结构及原理
5.4 基于DBN-ELM的空气质量预测模型
5.4.1 DBN-ELM预测模型构建过程
5.4.2 基于交叉熵稀疏惩罚因子机制的DBN特征学习
5.4.3 ELM预测
5.4.4 算法的实现
5.4.5 DBN-ELM模型网络结构设计
5.5 仿真结果分析
5.5.1 仿真设置
5.5.2 网络结构参数分析
5.5.3 预测结果
5.5.4 模型对比
5.6 本章小结
第六章 基于深度自编码器模型的空气质量预测
6.1 引言
6.2 深度自动编器网络结构
6.3 基于DAE-BP的空气质量评价预测模型
6.3.1 DAE-BP预测模型构建过程
6.3.2 深度自编码网络特征提取
6.3.3 DAE-BP预测模型的网络结构设计
6.4 仿真与结果分析。
6.4.1 仿真设置
6.4.2 网络结构参数分析
6.4.3 空气质量指数预测及结果分析
6.4.4 模型对比
6.5 本章小结
第七章 结论与展望
7.1 本文总结
7.2 论文的创新点
7.3 本文的不足及今后工作展望
参考文献
攻读学位期间取得的研究成果
致谢
本文编号：3939287
【文章页数】：91 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.1.1 课题背景
1.1.2 研究的意义与目的
1.2 国内外研究进展
1.3 研究内容与论文结构安排
1.3.1 研究内容
1.3.2 论文结构安排
第二章 相关理论分析
2.1 空气质量预测的定义
2.2 空气中主要污染物介绍
2.3 空气质量指数及其分级
2.4 预测流程和评价指标
2.4.1 空气质量预测的流程
2.4.2 模型的评价指标
2.5 深度学习概述
2.5.1 深度学习原理及本质
2.5.2 深度学习的特点
2.6 深度学习常用的模型及方法
2.6.1 深度信念网络
2.6.2 自编码器
2.6.3 卷积神经网络
2.7 深度学习的应用
2.8 本章小结
第三章 数据的获取及预处理
3.1 引言
3.2 空气质量数据预处理
3.2.1 数据来源
3.2.2 数据预处理
3.2.3 空气质量数据集变量关系可视化
3.3 本章小结
第四章 基于深度信念网络的空气质量预测
4.1 引言
4.2 试验环境搭建
4.3 深度信念网络结构
4.3.1 深度信念网络
4.3.2 训练方法
4.4 BP神经网络
4.5 基于深度信念网络(DBN)的空气质量评价预测模型
4.5.1 空气质量评价预测模型的构建过程
4.5.2 DBN模型网络结构设计
4.6 仿真试验结果分析
4.6.1 仿真设置
4.6.2 网络结构参数分析
4.6.3 预测及结果分析
4.6.4 模型对比
4.7 本章小结
第五章 基于改进深度信念网络的空气质量预测
5.1 引言
5.2 深度信念网络
5.3 极限学习机(ELM)
5.3.1 算法介绍及应用
5.3.2 算法的结构及原理
5.4 基于DBN-ELM的空气质量预测模型
5.4.1 DBN-ELM预测模型构建过程
5.4.2 基于交叉熵稀疏惩罚因子机制的DBN特征学习
5.4.3 ELM预测
5.4.4 算法的实现
5.4.5 DBN-ELM模型网络结构设计
5.5 仿真结果分析
5.5.1 仿真设置
5.5.2 网络结构参数分析
5.5.3 预测结果
5.5.4 模型对比
5.6 本章小结
第六章 基于深度自编码器模型的空气质量预测
6.1 引言
6.2 深度自动编器网络结构
6.3 基于DAE-BP的空气质量评价预测模型
6.3.1 DAE-BP预测模型构建过程
6.3.2 深度自编码网络特征提取
6.3.3 DAE-BP预测模型的网络结构设计
6.4 仿真与结果分析。
6.4.1 仿真设置
6.4.2 网络结构参数分析
6.4.3 空气质量指数预测及结果分析
6.4.4 模型对比
6.5 本章小结
第七章 结论与展望
7.1 本文总结
7.2 论文的创新点
7.3 本文的不足及今后工作展望
参考文献
攻读学位期间取得的研究成果
致谢
本文编号：3939287
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3939287.html
