深度多任务学习在PM2.5预测中的应用研究

发布时间：2022-01-23 13:06

　　空气质量预测是当前环境可持续领域研究的热点与难点,特别是PM2.5预测对居民健康与公共出行具有重要指导意义。政府为推动环境精细化管理,部署了大量微环境质量监测站点,形成了密集的网格化微监测站点场景。目前对于PM2.5预测的研究主要是对于国基站这种稀疏型站点,缺乏对密集型站点场景下的研究。对密集型站点场景中的PM2.5预测研究,可以助力政府推动区域精细化管理。相比稀疏型站点,密集型站点场景中站点空间联系紧密,邻近站点具有相似的时空特征,为深度学习与多任务学习等新兴人工智能方法在PM2.5预测中的应用提供了新的可能。本文以兰州市为例,以359个密集型微监测站点场景为研究对象,探索密集型站点场景内的PM2.5预测方法。具体研究内容如下:（1）针对密集型站点中PM2.5预测方法研究不足的问题,提出了基于深度学习的PM2.5预测方法在密集型场景中的整体预测体系方法,分析了可供选择的应用模型,给出了模型训练与评价的方法,为后续章节的研究工作建立基础。（2）针对现有PM2.5预测方法无法满足密集型站点应用要求的问题,提出了一种面向密集型站点的PM2.5混合预测模型CNN-GRU-FC,并在兰州市三个... 

【文章来源】：西北师范大学甘肃省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

兰州市空气质量微监测站布局示意图（局部）

第3章面向密集型站点的PM2.5混合预测模型设计21+fOutputInputBias.........11lxl1ixl1XlX1ljklijkljbljxFilterFilter图3-2卷积层计算过程图3-3门控循环单元门控循环单元的结构如图3-3所示。在模型训练中，具有时序特征的二维向量tx与上一时刻状态t-1h拼接后作为输入，进入门控循环单元结构通过激活函数（sigmoid函数）可得到门控信号tz和tr，如（式3-4）、（式3-5）。()()()zz=W+Uttt-1zxh(3-4)()()()rz=W+Uttt-1rxh(3-5)

第4章基于深度多任务学习的PM2.5预测模型37个训练过程中可以达到更低的损失值。以上实验表明，Adam优化算法使用earlystopping方法进行提前禁止训练更适应与模型的训练，使用eralystopping方法下的Adam优化算法在三个区域中Epoch和L都最小，Epoch分别为（86,52,116），L分别为（0.0021,0.0017,0.0019）。表4-1模型网络结构评价对比优化算法动量早停法S1S2S3EpochLEpochLEpochLSGD0.9/5000.00245000.00195000.0025Adam//5000.00255000.00185000.0027SGD0.9√4920.00244570.00194390.0025Adam/√860.0021520.00171160.0019图4-2模型训练使用SGD或Adam优化算法在验证集上的loss曲线通过以上实验结果分析，注意到两种优化算法在本章提出的模型中具有各自的优点，SGD在最终损失函数值L下降的平稳性上表现良好，Adam在收敛速度和L最小值效果方面更加出色，Adam配合earlystopping方法后，可以让优化效果更佳的同时，还能减少大量迭代次数从而节省大量的训练时间，因此，本模型使用Adam优化算法与earlystopping方法对本MTD-CNN-GRU进行模型训练。（2）模型网络结构确定为了确定MTD-CNN-GRU的具体网络结构参数，本章进行了以下实验设计分析：（1）分别对CNN层和GRU层从1-3层网络结构模型预测结果进行比较分析，确定网络层数；（2）使用第一步实验最优网络层数结构，对在共享层加入池化层前后模型预测效果进行比较，验证模型结构设计的合理性。


本文编号：3604409