基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于多变量混合长短期记忆神经网络的长沙PM2.5预报模型

为了提高PM2.5浓度预报准确率,基于长短期记忆（LSTM）神经网络构建多变量混合预报模型（hLSTM）,利用空气质量数据、气象数据和日期时间信息对长沙10个空气质量监测站未来24小时PM2.5浓度进行逐小时预报,并对模型精度进行评估。结果表明：hLSTM逐小时PM2.5预报模型误差随预报时效的增加呈现前陡后缓逐步增大,均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别从1 h的6.53 μg·m-3、4.03 μg·m-3和16.02%增大到24 h的20.62 μg·m-3、13.56 μg·m-3和47.34%;模型误差存在明显的季节性差异,呈现冬季>秋季>春季>夏季的特征;相较于基于决策树（DTs）、循环神经网络（RNN）和普通LSTM的预报模型,hLSTM模型能更好地提取长沙PM2.5浓度数据的时序特征,达到更高的预报精度;利用hLSTM模型对长沙2019年12月13日~16日重污染天气过程PM2.5浓度进行预报,各时效的预报结果均能反映污染过程中PM2.5的变化趋势,其中3 h内的预报结果与观测值吻合程度较高。可见hLSTM可较好提取长沙PM2.5浓度变化特征,为其短临预报提供一种新思路。     

模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

基于改进集成学习算法的在线空气质量预测

为了实现空气质量的在线预测,提出了一种基于XGBoost算法的改进集成学习算法OPGBoost。首先对PI(plant information)实时数据库系统进行二次开发,构成大数据挖掘与分析平台,运用数据融合工具对原始数据进行预处理,并采用Boruta算法进行特征选择,从而构造出包含更多属性特征量的有效数据集。然后对XGBoost算法中的一阶和二阶导数进行优化,并通过时间滑动窗口和衰减函数机制获取训练数据以及训练模型的权重,最后采用Bagging集成学习策略构成OPGBoost组合模型。实验结果表明,针对基于PM2.5浓度和AQI表征的空气质量预测,本文方法与4种已有算法相比在准确性和实用性方面具有明显的优势,能够较精确地预测未来1、12、24h的空气污染情况。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

基于RF-EMD-LSTM对PM2.5浓度预测研究

实现PM_2.5浓度的精准预测对空气污染防治具有重要的指导作用.鉴于多数研究中PM_2.5浓度预测算法和特征都较为单一,不能精确实现PM_2.5浓度的短时预测,提出了一种新颖的混合预测框架(RF-EMD-LSTM),通过过去24 h数据实现下一小时PM_2.5浓度预测.首先利用随机森林算法(random forests, RF)对污染物数据特征进行重要性评估,实现特征选择;然后再将特征数据与通过经验模态分解(empirical mode decomposition, EMD)的PM_2.5特征分解后的序列联合作为长短期记忆网络(long short term memory network, LSTM)的输入数据,进行模型训练,训练结果相加获得最终PM_2.5浓度预测值.实验结果表明,提出的混合模型与其他单一模型相比,预测精度明显最佳.     

基于滑动窗口和LSTM的PM2.5浓度预测模型

随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5浓度的小时数据以及对应的气象数据作为样本进行实验.首先对数据进行预处理,考虑到PM2.5前后关联性很强这一特点,将数据进行基二时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM2.5浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好.     

基于门控循环单元—支持向量回归组合模型的湖泊水位预测方法探索

为改善传统循环神经网络预测梯度消失的问题,准确预测水位变化,采用门控循环单元(gated recurrent unit, GRU)和支持向量回归(support vector regression, SVR)构建组合预测模型,对广州市猎德涌的源头西湖水位进行预测。选择了3种不同核函数下的GRU-SVR(多项式核、RBF核、Sigmoid核)模型,并确定了最佳核函数组合,探索了GRU组合模型在水文时序预测中的有效性。该组合模型通过GRU提取雨量与水位间时空特征,SVR增强整体的非线性预测能力。结果表明,GRU-SVR(多项式核)适用于湖泊降雨时期预测,与CNN-GRU及GRU、SVR相比,该模型整体预测精度分别提升了3.2%、10.3%和59.3%。     

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

航空器爬升与下降阶段4D航迹预测

准确的4D航迹预测可以在冲突探测与解脱、航迹优化和空中交通流量管理等多个领域发挥重要作用。为提高预测的准确性,提出了基于机器学习的航空器4D航迹预测方法。首先,利用爬升阶段提取研究指标,构建循环神经网络(recurrent neural network, RNN)和长短期记忆网络(long short-term memory, LSTM);其次,在下降阶段进行数据维度拓展,构建RNN、LSTM模型进行航迹预测;最后,对各个维度上的预测航迹点和实际航迹点的误差进行分析。仿真结果表明,爬升阶段模型和下降阶段模型对于航空器位置预测准确性高,展现了航迹预测模型的良好鲁棒性。     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于小样本的GDI涡轮增压发动机性能预测方法比较分析

为了降低建立发动机性能预测模型消耗的实验成本，利用具有强大的非线性问题分析能力的机器学习算法：广义回归神经网络（general regression neural network，GRNN）和支持向量回归（support vector regression，SVR），预测GDI （gasoline direct injection）涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点，然后基于仅包含25个样本的相同训练数据训练模型，使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明，在实验数据有限的情况下，GRNN有收敛到局部最小值的风险，而SVR可以找到最优的全局解，并具有良好的预测精度和泛化能力，因此SVR非常适合应用于GDI涡轮增压发动机性能预测，并将显著降低实验成本。     

基于BP神经网络的公路风吹雪雪深预测模型

公路风吹雪雪深预测作为国际雪冰学领域的研究热点和难点问题一直未能很好解决.以白茫雪山防雪走廊段安装的自动气象站和当地气象局提供的气象资料为基础,提取了对公路风吹雪雪深有影响的4种因素(降雪量、大气温度、风速和湿度)的指标值,建立了基于BP(back propagation)神经网络的公路风吹雪雪深预测模型.对研究区5次降雪过程中所记录的199组数据进行训练学习,用20组数据来验证建立的模型,验证结果表明20h累计雪深预测值的误差在10%以内,85%的雪深预测值误差在20%以内,因此所建立的模型具有很强的泛化能力和较高的精度.并对降雪量、大气温度、风速和湿度这4个因素进行了敏感性分析,表明雪深与降雪量成正比,与其他3个因素成反比,其中降雪量对雪深的影响最大,风速次之,湿度最小.     

基于遗传算法神经网络集成股票市场预测研究

神经网络集成技术能有效地提高神经网络的学习能力和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.本文利用不同的神经网络算法产生神经网络集成个体,以误差平方和最小为准则,用遗传算法动态求解集成个体的非负权重系数,进行最优组合集成建模研究,并以此建立股市预测模型.通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法相对传统的简单平均集成模型,具有预测精度高、稳定性好,易于操作的特点.     

基于双通道的智能合约漏洞检测方法

智能合约因漏洞而造成巨大的经济损失受到了广泛关注。针对现有的智能合约漏洞检测方法检测精度不高的问题,结合动态卷积神经网络(dynamic convolution neural network,DCNN)、双向门控递归单元(bidirectional gate recurrent unit,Bi GRU)、图传递神经网络(message passing neural network,MPNN)、注意力机制提出了基于双通道的漏洞检测方法DBTA(DCNN-BiGRU-MPNN-Attention)。首先利用Word2vec词嵌入技术和图归一化方法对数据进行预处理,将获得的词向量表示传入改进DCNN-BiGRU,并引入了R-Drop(regularized dropout for neural networks)正则化方法提高模型泛化能力。将图归一化表示传入图传递神经网络,通过两个通道分别提取序列特征和图特征,然后结合自注意力机制和交叉注意力机制捕捉不同特征间的相关性,从而突出关键特征对漏洞检测的重要性。最后通过全连接层得到输出向量,利用sigmoid函数输出结果。通过消融实验和对比实验表明...