基于LSTM-CNN-DRL集成模型的空气质量预测技术研究

发布时间：2021-01-04 10:34

　　随着科学技术的不断发展,城市化的快速推进,空气污染的问题日益严重。空气污染会严重危害动植物和人体的健康,也会显著影响到天气和气候,从而限制了很多发展中国家甚至发达国家的发展。对空气质量有效准确的预测,有利于人们关注和预防空气污染造成的健康问题并采取相应的措施,也便于政府及时采取相应的决策遏制和治理空气污染。因此,对空气质量指数预测的研究显得尤为重要。本文深入分析了当前空气质量指数预测方式的优劣,针对传统方法空气质量指数预测精确度不高的问题,决定采用深度学习、深度强化学习技术进行空气质量指数预测的相关研究。本文旨在研究面向空气质量指数预测的基于深度学习和深度强化学习方法的空气质量指数预测问题,并以国内主要城市的空气质量指数预报为背景,目的是提高空气质量指数统计预报方法的精确度和准确度。首先,针对传统空气质量预测方式的预测精度不高、领域知识门槛过高的弊端,本文提出了一种面向空气质量指数预测的长短期记忆网络和卷积神经网络的集成模型,该模型通过串联机制将长短期记忆网络和卷积神经网络有机结合,最大发挥了长短期记忆网络对时间序列预测的优势和卷积神经网络对局部特征识别的优势。经过大量实验设计与分析,... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

MAE的实验结果

SMAPE的实验结果

国防科技大学研究生院硕士学位论文第40页前预测天数。为了保持一致性，我们同样选取北京2010~2014年PM2.5数据集，但是在本节实验中我们不再按照春夏秋冬分组数据集。气象数据向量空气质量等级环境过去7天的气象数据向量过去7天的空气质量等级状态预测天数8维1维56维7维1维图4.5环境与状态向量的数据结构4.3.5实验结果与分析如图4.6所示，我们的DoubleDQN模型累计回报值在训练10000次后趋于平稳，稳定在30~35之间，根据我们定义的回报值函数，最理想的情况下是7天全部预测正确为42（4.1中关于总回报值函数的定义），也就是说根据实验结果，我们总回报值大小已经很稳定的接近42，表明预测相对精准。图4.7表明了我们模型中估计神经网络是收敛的，也就是说我们的模型是稳定的、可行的。综上，我们的面向空气质量等级预测的DoubleDQN模型是行之有效的。图4.6空气质量的累计回报值R

【参考文献】：
期刊论文
[1]门限重复单元的PM2.5浓度预报方法[J]. 侯俊雄,李琦,林绍福,冯逍,朱亚杰.  测绘科学. 2018(07)
[2]基于全连接和LSTM神经网络的空气污染物预测[J]. 韩伟,吴艳兰,任福.  地理信息世界. 2018(03)
[3]我国环境空气质量预报预警工作浅析[J]. 杨薇薇.  资源节约与环保. 2017(11)
[4]基于LIBSVM的PM2.5浓度预测模型[J]. 谢申汝,钱彬彬,杨宝华.  洛阳理工学院学报(自然科学版). 2017(02)
[5]基于深度学习的大数据空气污染预报[J]. 尹文君,张大伟,严京海,张超,李云婷,芮晓光.  中国环境管理. 2015(06)
[6]基于BP神经网络的空气污染指数预测模型研究[J]. 白鹤鸣,沈润平,师华定,董钰春.  环境科学与技术. 2013(03)
[7]解读空气质量指数与空气污染指数[J]. 王小辉,刘芸芸.  中国科技术语. 2011(06)
[8]城市环境空气污染预报研究进展[J]. 任万辉,苏枞枞,赵宏德.  环境保护科学. 2010(03)
[9]基于GA-ANN改进的空气质量预测模型[J]. 赵宏,刘爱霞,王恺,白志鹏.  环境科学研究. 2009(11)
[10]未来高技术战争之高[J]. 谢绍云.  科学之友. 2001(08)



本文编号：2956619