基于EEMD-GRU的大气污染情况预测方法研究及应用

发布时间：2024-06-08 02:53

　　近年来,环境问题日益严重,雾霾污染问题对环境、人类健康和社会经济都有严重的不利影响,国家和政府为了治理雾霾污染,已经采取了很多具体措施并取得一定成效,但是雾霾污染问题依然严重,传统的治理措施已经无法起到良好的效果。而面对雾霾问题,希望通过高效的算法模型,在提前对气候质量进行检测,及时预测并了解空气污染情况,了解通过提供预警和指导来保护公众健康,是处理雾霾问题的一项重要手段。环境保护工作中发展更敏捷、更智能的监测手段也变得越来越有必要。本文将以北京市为例,采取北京市5年的气象数据以及大气污染数据,目的为预测大气污染PM2.5含量,提出了一种基于时序信号数据处理与深度学习神经网络算法相结合的混合模型,应用于本课题中的PM2.5预测与应用中。主要从雾霾大数据分解为多模态时序数据再进行深度学习,将其结果集成并进行预测,提高了模型预测精度。本文主要研究工作如下所示:(1)介绍了本课题的研究背景和研究现状,根据国内外等时序数据预测的研究现状,归纳了现有的预测方法,总结出现有预测方法的不足和进步空间,并提出本文的主要研究和创新之处。(2)根据本研究课题特性,对时序模型做了分类概述,提出一种基于集成经...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图2.6GRU基本单元图

重庆大学硕士学位论文18第三个首先创建了一个新的细胞状态值，并同前两项一起更新细胞状态：=([1，]+)(2.15)=1+(2.16)第四个决定哪个部分将被输出，并基于时刻的细胞状态确定最后输出信息：=([1，]+)(2.17)=()(2.18)至此，一个细胞完成了一次结合以往状....

图2.8（a）标准神经网络（b）应用dropout后的网络Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology

2相关理论技术分析21练模型。图2.8（a）标准神经网络（b）应用dropout后的网络Fig.2.8(a)Astandardneuralnetworkstructure(b)Afterapplyingdropouttechnology具体地，在模型训练过程中Dropout算法的....

图4.1天气历史数据分布图

4模型验证与结果分析33图4.1天气历史数据分布图Fig.4.1Thedistributionmapofweather’shistorydata在原始数据集中，选取2010-2013前四年的样本数据，共35039条数据（2010年天气数据）作为训练数据集样本，选取2014年样本数....

图4.2损失误差曲线图（实验二）

4模型验证与结果分析37序数据的处理效果表现优异。这里将它设置为实验二，用一个单LSTM模型与全连接网络相连来验证其在处理时序数据预测时的特性并与传统机器学习模型SVR做出比较。在本实验中设置LSTM隐含层每层各50个神经元，激活函数为relu函数，第一层中引入dropout=0....

本文编号：3991345