基于深度神经网络的大气污染物分布预测 ——以郑州市为例
发布时间：2021-07-09 05:04
大气污染是对人类健康最严重的威胁之一,因此提供更准确的空气质量预报势在必行。随着数据驱动建模技术的发展,利用神经网络模拟大气污染物的传输过程,对城市大气污染物浓度预测模型成为研究热点。本文构建了一种基于深度学习方法的混合模型,将图卷积网络（GCN）和长短期记忆网络（LSTM）相结合,对城市大气污染物浓度的时空变化进行建模和预测。将不同站点的历史观测数据构建为时空图形序列,将地面空气质量监测站数据、气象因子、空间因子和时间属性定义为图形信号,利用图卷积网络提取不同监测站观测值之间的空间相关性,使用LSTM捕捉不同时间观测值之间的时间相关性,模拟城市大气污染污染物的时空特征。为了评估混合预测模型在城市大气污染物浓度预测的性能,本文选用了均方根误差（RMSE）、平均绝对误差（MAE）、召回率（RR）和误识率（FAR）来作为评价标尺,同时选择多元线性回归（MLR）模型、前馈神经网络（FNN）模型和LSTM模型来作为对照组。本文的GC-LSTM模型得到的MAE值13.82和RSME值21.45均为最优值。并且预测偏差值的上四分位数和下四分位数均在9μg/m3以内。基于PM....
【文章来源】：华北水利水电大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
论文结构与章节安排Fig1-2Paperstructureandchapterarrangement
华北水利水电大学硕士学位论文10图2-1空气污染物浓度预测流程Fig2-1Airpollutantconcentrationpredictionprocess经过以上的数据预处理之后，就可以用清洗和筛选好的数据集来作为空气污染物预测模型的数据集。空气污染物浓度预测工作最重要的部分是建立合适的预测模型，可以尽可能的挖掘出数据集内存在的可能对目标污染物浓度产生影响的潜在因素。由于不同学科领域采用预测机理和算法都略有不同，所以建立的预测模型也会有差异之处[33]。在数学领域大部分都是建立线性的数学模型，通过对数据集的数据进行线性拟合，建立一个线性回归方程来预测污染物浓度随时间的变化[34]；而深度学习领域则是通过深度神经网络的优势，通过对数据集的学习，建立非线性的神经网络模型来对目标大气污染物浓度进行预测[35]。随着数据驱动建模技术的发展，利用神经网络模拟大气污染物的运移过程，但是现有的数据驱动方法往往忽略了城市中多个站点之间的动态关系，导致预测精度不理想。除此之外，还可以运用一些集成性的方法建立混合模型，来对目标大气空气污染物浓度进行预测[36]。当模型架构确定之后，还需要对模型的参数设置进行调整，使模型能够对目标区域有良好的适应性。比如数学领域的线性统计模型，首先会对数据集进行统计分析，然后根据数据与目标浓度间的相关性来建立不同的线性数学方程，然后通过代入大量的数据来进行拟合，获得数学方程的参数值，然后通过拟合完毕的线性方程组来进行目标污染
华北水利水电大学硕士学位论文16更新，为了增加深度神经网络的鲁棒性避免发生过拟合显现，在训练过程中屏蔽不同的神经元，使每次迭代都在由不同的神经网络在对数据进行学习[48]。图2-2应用Dropout后的神经网络Fig2-2NeuralnetworkafterDropout2.3.3正则化算法深度学习模型通常采用L2正则化算法来优化数据驱动模型的权重参数，以避免过度拟合。作为惩罚，L2正则化算法通过梯度下降计算将权重参数的绝对值之和添加到损失函数（或目标函数）中。均方误差（MSE）是梯度下降计算中常用的损失函数（0L）。MSE描述如下：NtttYYNMSEL120))()((1（2.1）其中tY)(和)(tY分别是第t时刻的观测矩阵和预测的多输出变量。N是时间步长。从更新权重参数的角度出发，将L2正则化的MSE用作梯度下降计算中的损失函数（L）：NiNiiiNMSENLL1122022（2.2）其中L是具有L2正则化的损失函数。NiiN122是权重参数的L2正则化。是L2正则化系数。ω是权重参数矩阵。损失函数L到ω的偏导数描述如下：
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[2]城市大气污染的成因及治理对策[J]. 赵新红. 资源节约与环保. 2018(08)
[3]Fuzzy Comprehensive Evaluation and Prediction of Air Quality in Baoding City[J]. Mengyuan TANG,Degang JI. Agricultural Biotechnology. 2018(03)
[4]Prediction and Analysis of Air Quality Based on FCM and BP Neural Network[J]. Ji Degang,Xu Ao,Xie Xiaoxian. Meteorological and Environmental Research. 2018(03)
[5]随机森林算法在空气质量评评价中的应用[J]. 杭琦,杨敬辉,黄国荣. 上海第二工业大学学报. 2018(02)
[6]卷积神经网络的PM2.5预报模型[J]. 吴春霖,李琦,侯俊雄,KARIMIAN Hamed,陈工. 测绘科学. 2018(08)
[7]“霾”没的城市:政府应如何治理空气污染?[J]. 张飞鹏. 华中师范大学研究生学报. 2017(04)
[8]2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 周亮,周成虎,杨帆,王波,孙东琪. 地理学报. 2017(11)
[9]大气环境质量保护措施探讨[J]. 洪一丹. 环境与发展. 2017(08)
[10]江苏省PM2.5质量浓度的时空变化格局模拟[J]. 李啸天,吴绍华,徐于月,贲培琪,赵涵. 环境监测管理与技术. 2017(02)
硕士论文
[1]基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D]. 刘蕾.上海师范大学 2019
[2]基于LSTM神经网络空气污染监测预报系统的研究与实现[D]. 张晗.西安电子科技大学 2019
[3]地理卷积神经网络加权回归方法及其PM2.5建模实证研究[D]. 嵇晓峰.浙江大学 2019
[4]基于集成神经网络的空气污染物区域关联预测方法研究[D]. 雍睿涵.上海师范大学 2019
[5]基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究[D]. 黄婕.浙江大学 2018
[6]基于神经网络的空气污染预测技术研究[D]. 蒋浩.南京大学 2014
本文编号：3273086
【文章来源】：华北水利水电大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
论文结构与章节安排Fig1-2Paperstructureandchapterarrangement
华北水利水电大学硕士学位论文10图2-1空气污染物浓度预测流程Fig2-1Airpollutantconcentrationpredictionprocess经过以上的数据预处理之后，就可以用清洗和筛选好的数据集来作为空气污染物预测模型的数据集。空气污染物浓度预测工作最重要的部分是建立合适的预测模型，可以尽可能的挖掘出数据集内存在的可能对目标污染物浓度产生影响的潜在因素。由于不同学科领域采用预测机理和算法都略有不同，所以建立的预测模型也会有差异之处[33]。在数学领域大部分都是建立线性的数学模型，通过对数据集的数据进行线性拟合，建立一个线性回归方程来预测污染物浓度随时间的变化[34]；而深度学习领域则是通过深度神经网络的优势，通过对数据集的学习，建立非线性的神经网络模型来对目标大气污染物浓度进行预测[35]。随着数据驱动建模技术的发展，利用神经网络模拟大气污染物的运移过程，但是现有的数据驱动方法往往忽略了城市中多个站点之间的动态关系，导致预测精度不理想。除此之外，还可以运用一些集成性的方法建立混合模型，来对目标大气空气污染物浓度进行预测[36]。当模型架构确定之后，还需要对模型的参数设置进行调整，使模型能够对目标区域有良好的适应性。比如数学领域的线性统计模型，首先会对数据集进行统计分析，然后根据数据与目标浓度间的相关性来建立不同的线性数学方程，然后通过代入大量的数据来进行拟合，获得数学方程的参数值，然后通过拟合完毕的线性方程组来进行目标污染
华北水利水电大学硕士学位论文16更新，为了增加深度神经网络的鲁棒性避免发生过拟合显现，在训练过程中屏蔽不同的神经元，使每次迭代都在由不同的神经网络在对数据进行学习[48]。图2-2应用Dropout后的神经网络Fig2-2NeuralnetworkafterDropout2.3.3正则化算法深度学习模型通常采用L2正则化算法来优化数据驱动模型的权重参数，以避免过度拟合。作为惩罚，L2正则化算法通过梯度下降计算将权重参数的绝对值之和添加到损失函数（或目标函数）中。均方误差（MSE）是梯度下降计算中常用的损失函数（0L）。MSE描述如下：NtttYYNMSEL120))()((1（2.1）其中tY)(和)(tY分别是第t时刻的观测矩阵和预测的多输出变量。N是时间步长。从更新权重参数的角度出发，将L2正则化的MSE用作梯度下降计算中的损失函数（L）：NiNiiiNMSENLL1122022（2.2）其中L是具有L2正则化的损失函数。NiiN122是权重参数的L2正则化。是L2正则化系数。ω是权重参数矩阵。损失函数L到ω的偏导数描述如下：
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[2]城市大气污染的成因及治理对策[J]. 赵新红. 资源节约与环保. 2018(08)
[3]Fuzzy Comprehensive Evaluation and Prediction of Air Quality in Baoding City[J]. Mengyuan TANG,Degang JI. Agricultural Biotechnology. 2018(03)
[4]Prediction and Analysis of Air Quality Based on FCM and BP Neural Network[J]. Ji Degang,Xu Ao,Xie Xiaoxian. Meteorological and Environmental Research. 2018(03)
[5]随机森林算法在空气质量评评价中的应用[J]. 杭琦,杨敬辉,黄国荣. 上海第二工业大学学报. 2018(02)
[6]卷积神经网络的PM2.5预报模型[J]. 吴春霖,李琦,侯俊雄,KARIMIAN Hamed,陈工. 测绘科学. 2018(08)
[7]“霾”没的城市:政府应如何治理空气污染?[J]. 张飞鹏. 华中师范大学研究生学报. 2017(04)
[8]2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 周亮,周成虎,杨帆,王波,孙东琪. 地理学报. 2017(11)
[9]大气环境质量保护措施探讨[J]. 洪一丹. 环境与发展. 2017(08)
[10]江苏省PM2.5质量浓度的时空变化格局模拟[J]. 李啸天,吴绍华,徐于月,贲培琪,赵涵. 环境监测管理与技术. 2017(02)
硕士论文
[1]基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D]. 刘蕾.上海师范大学 2019
[2]基于LSTM神经网络空气污染监测预报系统的研究与实现[D]. 张晗.西安电子科技大学 2019
[3]地理卷积神经网络加权回归方法及其PM2.5建模实证研究[D]. 嵇晓峰.浙江大学 2019
[4]基于集成神经网络的空气污染物区域关联预测方法研究[D]. 雍睿涵.上海师范大学 2019
[5]基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究[D]. 黄婕.浙江大学 2018
[6]基于神经网络的空气污染预测技术研究[D]. 蒋浩.南京大学 2014
本文编号：3273086
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3273086.html
