一、灰色预测在空气质量预报中的应用(论文文献综述)
李娟[1](2021)在《关中地区空气质量多模式数值预报优化方法研究》文中研究表明关中地区地处渭河盆地,近年来社会经济快速发展导致大气问题突出,因此进行空气质量预报预警工作以获取准确及时的大气污染信息也显得尤为重要。相比于传统的统计预报,区域空气质量模式以大气动力学为基础,考虑多种物理和化学过程,进而定量描述污染物的扩散和输送规律,被广泛应用于空气质量预报以及污染过程分析中。但由于现阶段的排放清单具有时间滞后性与低空间分辨率性,且模式本身化学机理以及气象模式也存在不确定性等问题,导致空气质量模式的模拟结果与实际观测值之间存在误差。为了提高关中地区污染物浓度预测精度,本研究针对区域空气质量模型现存问题,结合多模式数值预报与机器学习算法,开展关中地区区域空气质量模式优化与订正方法研究。本文主要研究内容总结如下:(1)基于大气化学数值模式建立关中地区空气质量多模式预报预警系统。利用WRF、CMAQ及CAMx模式进行关中地区气象数值模拟以及空气质量预报及再分析工作,获取关中地区的数值模拟再分析数据以及WRF模式气象数据,并对WRF、CMAQ及CAMx模式进行相关精度验证。结果表明,WRF模式能准确模拟区域气象因子的时空演变,对温度以及海平面气压的模拟精度较高,相关性系数分别为0.94、0.91;对风速及相对湿度的模拟精度稍低。CAMx与CMAQ模式模拟结果与观测值时序变化趋势一致,模拟结果存在PM2.5高估、O3低估现象,其中CAMx模拟精度较CMAQ低。(2)利用机器学习算法实现单站点模拟结果优化以及优化评价。由于目前大多数研究集中在单个机器学习模型对预报值进行优化,而对多种机器学习模型优化结果的对比以及模型对不同污染物优化效果评估的研究相对较少。因此基于空气质量模式模拟结果,本文提出利用多种机器学习算法对数值模拟结果进行订正与优化,选取温度、相对湿度、边界层高度、海平面气压以及风速等气象因子,验证多种机器学习算法对于关中五市的数值模拟优化结果,分析不同算法对于单站数值模拟的优化性能。结果显示,随机森林算法对PM2.5优化精度最高,优化后模拟值与观测值之间的相关性系数为0.74~0.8;而支持向量机算法对O3优化结果最好,优化后相关性系数提高至0.79~0.88。(3)建立区域优化网络,实现关中地区区域模拟结果优化并进行验证。由于当前机器学习算法研究主要集中在城市站点优化方面,而利用算法结合集合预报实现数值模型的区域优化较少。为实现数值模式的区域优化,本文在单站优化的基础上,加入关中五市33个国控监测站点数据、DEM及土地利用数据,搭建关中地区区域优化网络,验证对比XGBoost算法与LSTM深度学习神经网络算法的优化性能。研究结果显示,XGBoost算法在区域优化方面优于LSTM算法,XGBoost与LSTM算法优化后的PM2.5模拟值与观测值相关性系数分别为0.93~0.99、0.73~0.82,O3模拟值与观测值相关性系数分别0.85~0.97、0.7~0.84。在区域验证方面,算法能明显改善模式PM2.5高估以及O3低估的现象,并为区域提供较为准确的污染物浓度值。(4)利用XGBoost算法实现关中地区未来七天的区域数值模拟优化预报。基于算法区域优化的可行性,本文利用算法实现对区域预报数据的订正优化。结果表明,关中地区PM2.5预报优化结果的RMSE值约为14.2~22.3μg·m-3,O3预报优化结果的RMSE值约为5.5~10.6μg·m-3,同时PM2.5及O3的浓度演变过程与单站观测结果时序变化结果一致。因此,通过算法优化,可以提高对未来空气质量预报的准确度,对于没有空气质量监测站点的地区也可以实现大气污染物的准确预报,进而为污染管控及防治提供参考。
许昊[2](2020)在《基于改进的果蝇算法优化BP神经网络在空气质量预测中的应用研究》文中认为近些年以来,我国经济的不断地发展和提高,随之而来的就是日益增长的能源消耗和环境污染的问题。“雾霾”和空气污染也成为了人们日常生活中的一个热门的大话题。如何有效的利用各个城市已有的各种历史数据对城市空气质量进行比较准确有效的分析和预测,不仅能为人们的生活出行带来便利,也能为空气污染的治理提供一定的帮助。本文研究的主要内容是以南昌市的空气质量的指数作为研究的对象,以BP神经网络为基础建立一个针对南昌市的空气质量的预测模型。首先是依据果蝇优化算法和其他相关学者提出的改进,进一步进行算法的优化,提出了改进的ACFOA算法。改进的内容主要是在果蝇的味道浓度的判定值中加入一个跳脱参数,改善了该值不能小于零的缺陷,并使用了概率分布更加均匀的Tent映射替代了 Logistic映射,使得混沌映射的分布均匀提升了算法的寻优能力。除此之外还进行了实验来证明改进的算法的性能。最后,将改进的算法作为BP神经网络的初始化权值和阈值的算法。接下来,通过分析空气质量指数AQI的计算方式,提出了两种预测空气质量指数一种是直接使用AQI值和当天的天气数据对下一天的AQI值进行预测。另一种是先分别根据空气中各项污染物的含量的值和当天天气数据预测各个IAQI值并汇总计算AQI值。结果表明,改进的ACFOA-BP算法对比BP算法和FOA-BP算法有性能上的改善,耗费的时间相差不大。使用间接预测的方式比直接预测的方式的性能有稍许的改善,但是间接预测的方式耗费的时间比直接预测的方式多大约6-7倍。
刘星宇[3](2020)在《基于机器学习的空气质量分析与预测》文中研究说明近年来,随着雾霾天气的增多,公众的注意力逐渐聚焦到空气质量上来,目前空气质量已经成为社会与大众共同关注的环境问题之一。污染源的分布、气象因素和污染物的类型等多种因素影响着城市空气中污染物浓度的高低,不同的城市污染物浓度的分布特征不同。因此,深入讨论污染物浓度之间的关系和气象因素与污染物浓度之间的关系,预测PM2.5的浓度,对研究城市环境污染、空气质量问题及研究对于这类问题有效的预防措施具有十分重要的意义。本文以“基于空气质量监测大数据的污染物分布建模技术研究与应用”课题为背景,以空气污染物浓度为研究对象,提出了一种基于ARIMA-SVM的PM2.5浓度预测模型,以提高PM2.5浓度预测的准确率;并在此基础上实现了空气污染物监测原型系统。主要研究内容包括:(1)空气污染物数据的预处理:针对数据中含有缺失值的问题,利用多重插补法填补缺失值;利用机器学习中的K-means聚类算法识别异常值,由六种污染物数据生成标签,再将数据根据聚类中心进行聚类,将异常点删除。以此整理出质量较高且具有代表性的数据。(2)属性间相关性分析:利用Spearman秩相关系数分析污染物之间的相关性、污染物与气象因素之间的相关性;构建PM2.5浓度分别与其它五项污染物浓度间的线性回归模型,验证通过Spearman秩相关系数得到的结论。(3)构建PM2.5浓度预测模型:重点研究了ARIMA、SVM算法,并将这两种算法结合,构建了基于ARIMA-SVM的PM2.5浓度预测模型。该模型将SVM与ARIMA结合,弥补了传统的ARIMA时间序列预测不能处理非线性数据的不足之处,提高了预测的准确率;同时构建了基于Keras的LSTM神经网络模型预测PM2.5浓度;将ARIMA-SVM组合模型与LSTM模型进行了对比分析。(4)空气污染物监测原型系统:利用Pycharm、Hbuilder等工具设计并实现了空气污染物监测系统。系统实现了城市搜索、城市AQI指数排名、城市各个检测点污染物浓度以及AQI变化趋势等功能。
李孥[4](2020)在《分数阶累加灰色模型及其在空气质量预测中的应用》文中认为我国经济的高速发展、工业化进程的不断加快使得空气污染问题日益突出,以京津冀地区为代表的区域性空气污染问题尤为严重。空气污染已成为京津冀地区亟待解决的问题之一。准确地预测未来的空气质量状况是有效快速解决空气污染问题的重要前提,有助于为相关部门明确治理方向。在同一空间维度内,不同时间维度下的空气污染物浓度数据表现形式差异较大,所表示的空气质量状况不同。本文提出4种适用于不同数据类型的灰色预测模型,分别应用于对京津冀地区各空气污染物的年、季、月、日浓度的预测。京津冀地区有关空气质量及污染物浓度的现有数据较少且数据变化趋势不稳定,针对这一特性,对空气质量预测的相关文献进行梳理后发现,灰色预测模型对该类问题的解决具有较强的适用性及可靠性。基于灰色预测模型的相关理论,以及在空气质量方面的研究现状,将分数阶累加算子引入到适用于不同数据变化的灰色预测模型中,提出分数阶灰色预测系列模型,其中分数阶GM(1,1)模型用于对各污染物年均浓度的预测、分数阶GSM(1,1)模型用于对各污染物季均浓度的预测、分数阶SGM(1,1)模型用于对各污染物月均浓度的预测以及分数阶DGGM(1,1)模型用于对各污染物日均浓度的预测。文中对上述模型的建模机理及步骤进行了详细的介绍,通过与其他预测模型的对比证明所提出的分数阶灰色预测模型的预测性能更为优越,模型对空气污染物浓度方面的数据预测更为有效。基于京津冀地区空气污染成因及治理现状,结合模型对各维度空气污染物浓度的预测结果,从长期、短期以及协同治理等三个方面给出针对京津冀地区空气污染治理的措施建议。
袁悦[5](2020)在《基于天气雷达数据的对流性大风智能化临近预报方法研究》文中进行了进一步梳理对流性大风是我国常见的强对流灾害天气之一,每年造成巨大的经济损失,具有局地性、突发性、破坏力大的特点,这使得对流性大风的临近预报非常困难。多普勒天气雷达可以生成高时空分辨率数据,是观测和预报对流性大风的重要设备。但现有的关于对流性大风的智能预报算法不能充分地利用雷达数据所提供的信息,临近预报效果有待提高。为了改善对流性大风的智能预报效果,本文研究使用图像处理和机器学习方法,在雷达数据质量控制、与对流性大风相关的多种雷达现象的自动识别、与对流性大风相关特征的算法设计、多种对流性大风自动预报模型的构建等方面进行研究,具体工作如下:(1)改善基于径向速度数据预报对流性大风的数据环境,包括优化了退径向速度模糊的算法和改进了基于大风区的对流性大风预报模型两部分。针对强切变、噪声和孤立回波等影响退速度模糊算法效果的干扰因素,将退速度模糊算法改进为区域内退速度模糊和区域间退速度模糊两步,并通过判断区域块间速度差是否异常的方式实施退速度模糊操作。在退速度模糊的基础上,从与对流性大风相关性和抗噪声干扰两个方面改进大风区的自动识别算法,并通过大风区的参数与对流性大风的相关性分析,设计实现了基于大风区的对流性大风预报模型。(2)设计了阵风锋自动识别算法及基于阵风锋的对流性大风预报模型。在设计阵风锋自动识别算法时,根据阵风锋在雷达反射率图中的呈现为弱窄带回波的特点,首先设计了一种局部二值化双模板提取弱窄带回波疑似区域,然后使用细化、主成分分析(PCA)、局部二值模式(LBP)等图像处理方法滤除各类干扰,提取完整的弱窄带回波,最后根据阵风锋与风暴母体的位置关系,从弱窄带回波中提取真实阵风锋,减少误报,提高阵风锋自动识别效果。在自动识别阵风锋的基础上,根据阵风锋的参数与对流性大风的相关性,设计实现了基于阵风锋的对流性大风预报模型。(3)设计了线状中尺度对流系统(MCS)自动识别算法及其引发对流性大风的预报模型。在自动识别线状MCS的算法时,首先设计了一种基于多尺度思想的MCS对流区域分割方法,提出构造一个标准化窗口(8×8区域)用于“尺度标准化”MCS的思想,进而将该8×8区域特征化以训练一个用于识别线状MCS的支持向量机模型。在自动识别线状MCS的基础上,提取了线状MCS中与对流性大风相关的入流缺口和高梯度回波前沿两个特征,并根据相关研究设计实现了基于线状MCS的对流性大风预报模型。(4)提出了基于机器学习方法的对流性大风预报模型,包括基于单体特征的随机森林模型和基于Stacking方法的综合模型。在设计基于单体特征的随机森林模型时,首先根据各种与对流性大风相关的雷达现象的局部相似属性,设计了七组单体图像特征;然后根据互信息方法确定特征中的阈值并通过L1范数进行特征选择;最后,将选择后的特征和足量样本用于生成基于随机森林的对流性大风预报模型。在设计基于Stacking方法的综合模型时,将多种对流性大风预报模型构造成初级学习器,将它们的输出作为输入来训练一个新的综合模型,以提高对流性大风预报模型的品质。
朱明坤[6](2020)在《基于组合模型的天津市PM2.5浓度预测》文中研究说明随着社会的迅速发展和人们生活水平的不断提高,我国多数城市都受到雾霾影响,尤其是在长三角、珠三角以及京津冀等经济发达的地区。PM2.5作为首要空气污染物,有较强的吸附性,容易吸附有毒害的物质,会对空气质量和人体造成更严重的危害。为了有效预防PM2.5对社会和人体造成的危害,为人们的出行提供合理化建议,准确预测出空气中PM2.5的浓度时是十分重要的。本文以天津市为研究对象,整理了天津市2016年1月1日至2019年6月22日的空气污染物浓度日数据和气象日数据,建立了时间序列模型、时间序列与机器学习组合模型,对PM2.5的浓度值进行预测。为了探究PM2.5浓度的预测模型,提高对天津市PM2.5的预测精度,本文逐步递进,对模型不断改进修正,得到了相对准确的预测模型,能够为人们出行提供建议指导。本文首先利用PM2.5历史数据构建了ARMA模型,其预测精度较差。其次,为了消除异方差的影响并进一步提取残差中的信息,本文依次构建了ARMA-GARCH模型和ARMA-GARCH-SVR模型,模型精度有所提高,但仍不理想。再次,通过对各序列的趋势图进行分析,发现其它序列变化与PM2.5变化趋势存在一定的规律性。鉴于此,考虑将其他影响因素序列纳入到PM2.5的预测模型中,由此本文利用皮尔逊相关系数和灰色关联分析方法,筛选了与PM2.5序列较强相关的六个变量(PM10、SO2、相对湿度等),并构建了多变量序列ARIMAX模型。通过指标评价,与之前建立的单一序列模型相比,多变量序列模型ARIMAX有更低的预测误差以及更高的预测精度。最后,为了进一步提取残差中的非线性信息,提高预测精度,本文构建了ARIMAX-SVR组合模型,与前述的ARIMAX模型相比,该模型融合了多方面信息,预测精度更优,是本文预测天津市PM2.5浓度的最佳模型。本文的研究结果表明,利用多变量序列比单一序列建模精度更高,组合模型也比单一模型有更好的表现。本文构建的多变量模型组合模型能够充分利用多组序列的信息并发挥多个模型优势,使预测更稳定。通过本文构建的组合模型,实现了对天津市PM2.5相对准确的预测,为人们日常出行提供了建议指导。
张潇汐[7](2020)在《基于CEEMD的新型混合模型预测PM2.5浓度》文中指出随着城市工业化发展和技术的进步,环境污染问题也日益严重,引起了世界范围的关注。特别是近几十年来,我国经济迅速发展,对各种能源的消耗越来越大,因此,我们也付出了环境恶化的惨重代价。近年来中国各地发生的雾霾天气就是由于一些能源燃料的过度燃烧,向空气中排放的各种污染物的数量严重超出大气环境所能承载的范围所造成的。对个人的身体健康以及国家的经济发展等各个方面产生了严重的影响。目前,经研究发现PM2.5是主要的空气污染物之一,如果我们对PM2.5浓度可以做出准确的预测,我们就可以做出相应的有效的防护措施,有效的预防和控制人类的生产和生活。本文基于互补集合经验模态分解(CEEMD),飞蛾火焰优化算法(MFO),支持向量回归(SVR),灰色关联度分析(GRA),反向传播神经网络(BPNN)等算法,对具有不同人文环境和地理位置的贵阳、丽江、广州等城市2017年的PM2.5浓度进行预测,提出一种智能的混合模型CEEMD-MFO-SVR-GRA-BPNN.首先,对原始PM2.5浓度数据进行CEEMD分解,分解为3个固有模态函数和1个残余项,其次用MFO优化算法优化SVR中的参数(c,g),随后用GRA进行筛选影响PM2.5浓度的大气因素,最后对残差建立BPNN模型。提出的模型并与CEEMD-MFO-SVR,CEEMD-WOA-SVR,CEEMD-PSO-SVR,EEMD-MFO-SVR,EMD-MFO-SVR和MFO-SVR等六个模型进行比较,结果表明提出的模型在准确性和泛化能力上都优于比较模型,所以本文提出的新型混合模型CEEMD-MFO-SVR-GRA-BPNN比上述模型更准确的预测大气污染物PM2.5浓度。
汪灵珊[8](2020)在《基于情景特征的空气质量预报模型自适应选择方法研究》文中研究表明空气质量预报模型是进行空气污染预报和建立污染减排措施的重要方法。随着空气质量预报模型的发展,其类型和数量日益丰富,应用需求也越来越广泛。然而,不同模型在机理、适用区域等方面存在明显的差异性特征,实际建模应用中往往需要对不同模型的适用情景进行繁琐的考量和处理。这在增加模型使用者应用难度的同时,也在开展涉及到多专业、多领域模型的集成应用中增加了综合模拟结果的不确定性。当前,关于空气质量预报模型的评估策略和指标各自为营,难以支撑适应于多样化目标地理问题的模型选择,缺少对模型适用情景的体系性研究。因此,本文从空气质量预报模型的适用情景分析出发,以情景特征体系的构建为切入点,从模型特征和用户使用情景特征两个层面归纳形成情景特征体系;基于此情景特征体系,分别构建模型特征库和用户使用情景特征库。通过将模型特征库和用户使用情景特征库进行指标化关联,面向空气质量预报模型的合理应用需求,本文以匹配与推荐为引导,研究模型的自适应选择方法,实现基于情景特征的模型匹配,以及模型执行驱动的数据资源推荐。本文的主要研究内容和成果如下:(1)情景特征体系与特征库构建。面向模型适用情景的体系性研究需求,从模型特征及用户使用情景特征两个层面构建情景特征体系,形成模型特征子体系及用户使用情景特征子体系。以模型特征子体系为指导,分别从模型建模机理和适用区域两个角度构建模型特征库;以用户使用情景特征子体系为指导,分别从无限定条件和有限定条件两个角度构建用户使用情景特征库。通过情景特征体系与特征库的构建,为自适应选择方法中模型的匹配提供依据和支撑。(2)空气质量预报模型的自适应选择方法。面向空气质量预报模型合理应用的需求,以匹配与推荐为引导,提出模型的自适应选择方法,包括基于情景特征的模型匹配方法,以及模型执行驱动的数据资源推荐方法。针对模型匹配方法,以相似度计算方法为内核,基于构建的模型特征库和用户使用情景特征库,实现基于情景特征的模型匹配。针对数据资源推荐方法,构建数据资源库和数据处理工具资源库,并对其进行结构化表达,以资源关联方法为内核,通过情景特征库与结构化文档之间的绑定关联,实现模型执行驱动的数据资源推荐。(3)模型自适应选择原型系统构建。基于对情景特征体系及模型自适应选择方法的研究,设计并构建了模型自适应选择原型系统。面向用户在不同情景下的空气质量预报模型应用需求,开发前端页面支持用户在线定制情景。通过模型资源、数据资源及数据处理工具资源的开放式接入,帮助用户在开放式网络环境下,使用网络化资源进行模型的在线匹配与运行。基于构建的原型系统,针对两类用户使用情景,对提出的模型自适应选择方法进行实验与验证。本文通过情景特征体系与特征库的构建,以及模型自适应选择方法的研究,将空气质量预报模型与实际应用需求进行系统性的关联,使之不再局限于特定研究领域,具有更加开放的应用入口。本文研究的空气质量预报模型自适应选择方法,可以辅助不同情景下模型的合理应用,降低模型的使用难度,为进一步推广和应用空气质量预报模型提供很好的参考。
秦浩靖[9](2019)在《超前地质预报方法在平阳隧道中的应用研究》文中进行了进一步梳理随着我国基础设施建设快速发展,国家对西部山区交通基础设施的投入越来越大,地形地质条件复杂的山区和岩溶地区建造的高风险隧道也会越来越多。受地形地质条件、地质勘察技术等影响,隧道工程施工前期往往对区域内的工程地质情况难以全面掌握;尤其在岩溶地区,区域内遍布断层、溶洞、破碎带等不良地质体,突水、突泥、岩爆等隧道工程地质问题频繁发生,严重威胁着工程施工安全。为防治地质灾害保证隧道施工安全,必须开展超前地质预报以及涌水量预测工作。本文在分析比较目前隧道工程超前地质预报方法基础上,结合郑万高铁平阳隧道工程实际,归纳整理地震波反射法、全空间瞬变电磁法以及地质雷达法等方法的探测与采集步骤以及数据处理流程,得出了不同方法在实际探测中需要注意的问题。在不良地质体探测上,综合运用地震波反射法(TGP、TST)、全空间瞬变电磁法、地质雷达法、超前钻探法等方法,成功预报平阳隧道三段掌子面前方的不良地质体,有效弥补了地震波反射法在遇到含水地质体时不能辨别缺点,为隧道施工中排水方案设计及施工安全提供科学的依据。最后,基于水文地质普查报告与现场实地勘测资料,考虑地质构造、地层岩性、水文气象、隧道位置等各种影响因素,使用降雨入渗法、地下水径流模数法、地下水动力学法(古德曼公式、铁路勘察规范经验公式)对平阳隧道进口施工期的正常涌水量与最大涌水量进行预测,使用地下水径流模数法计算的正常涌水量与使用古德曼公式计算的最大涌水量较准确。建立差分自回归移动平均模型对平阳隧道进口施工期的涌水量进行短期预测,预测结果相较其他方法预测精度有很大提升,可作为制订短期内隧道施工作业和排水方案的参考和依据,能够为工程施工安全提供保障。
张旭[10](2019)在《基于神经网络的空气质量预测》文中认为随着经济的快速发展,我国工业化和城市化进程加快的同时,大气污染问题也越来越严峻。在环境科学领域空气污染物浓度预测是一项非常重要的研究课题。随着探测仪器的精准化和观测技术的进步,获得了大规模多维且复杂的空气质量数据,计算机技术的快速发展为空气质量监测领域带来了技术创新,开启信息化和智能化的时代。为了提高PM2.5浓度预测模型的预测精度,除了其他相关污染物浓度,本文还考虑了气象状况这一因素,分别以BP神经网络和深度置信网络为研究对象,建立空气质量预测模型。针对BP神经网络模型性能受到初始权值和阈值影响,易于陷入局部极小,选择PSO优化算法对模型参数选择进行优化,并改进惯性权重,引入遗传算法中的交叉和变异操作,建立改进的PSO-GA-BP预测模型,提高模型预测精度和收敛性能。针对小时预测数据集较大,利用深度学习中的深度置信网络结合支持向量回归建立DBN-SVR预测模型。利用灰色关联度分析进行特征选择,根据过去空气质量数据和气象数据建立预测模型对未来PM2.5浓度进行预测,由1小时时间步长的实验结果可知,相比BP神经网络模型和PSO-GA-BP模型,DBN-SVR预测模型的预测精度最好且在样本数量规模较大时运行时间短,效率更高。探索更大预测步长时模型的表现,分别训练得到1-6小时预测时间步长的模型,与支持向量回归和BP神经网络进行比较,结果表明DBN-SVR预测模型相比于BP神经网络模型和支持向量回归模型均具有较优表现。
二、灰色预测在空气质量预报中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、灰色预测在空气质量预报中的应用(论文提纲范文)
(1)关中地区空气质量多模式数值预报优化方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 统计预报 |
1.2.2 基于遥感方法的预报 |
1.2.3 数值预报 |
1.2.4 机器学习在数值预报中的应用 |
1.3 研究内容 |
1.4 论文组织结构 |
2 数值模式系统建立 |
2.1 研究区概况 |
2.2.1 自然地理及社会经济概况 |
2.2.2 大气环境污染状况 |
2.2 数值模式 |
2.2.1 WRF模式 |
2.2.2 CAMx模式 |
2.2.3 CMAQ模式 |
2.3 数值模式参数化方案设置 |
2.3.1 模拟区域设置 |
2.3.2 WRF参数设置 |
2.3.3 CAMx模式设置 |
2.3.4 CMAQ模式设置 |
2.3.5 SMOKE污染源处理 |
2.4 机器学习模型算法 |
2.4.1 多元线性回归模型 |
2.4.2 随机森林模型 |
2.4.3 支持向量机回归模型(SVR) |
2.4.4 XGBoost模型 |
2.4.5 LSTM深度学习神经网络 |
2.5 评价方法 |
2.6 本章小结 |
3 数值模拟结果验证及误差分析 |
3.1 WRF模式结果验证 |
3.1.1 模拟结果验证 |
3.1.2 WRF模拟误差来源分析 |
3.2 PM_(2.5)模拟结果验证分析 |
3.3 O_3模拟结果验证分析 |
3.4 CAMx及 CMAQ误差来源分析 |
3.5 本章小节 |
4 基于机器学习的单站模拟优化 |
4.1 数据预处理 |
4.1.1 特征选取 |
4.1.2 标准化处理 |
4.2 基于机器学习方法的单站优化 |
4.2.1 ρ(PM_(2.5))优化效果检验 |
4.2.2 ρ(O_3)优化效果检验 |
4.2.3 优化效果评估 |
4.2.4 其他城市对比验证 |
4.3 本章小节 |
5 区域数值模拟优化与预报验证 |
5.1 方法及数据 |
5.2 学习方法验证分析 |
5.2.1 XGBoost验证分析 |
5.2.2 LSTM神经网络验证分析 |
5.2.3 模型精度对比分析 |
5.3 区域优化结果分析 |
5.3.1 PM_(2.5)区域优化 |
5.3.2 O_3区域优化 |
5.4 预报效果检验 |
5.4.1 站点预报精度检验 |
5.4.2 区域预报验证 |
5.5 本章小结 |
6 总结与展望 |
6.1 主要工作与结论 |
6.2 未来工作展望 |
致谢 |
参考文献 |
攻读硕士期间研究成果 |
攻读硕士期间参加的科研项目 |
(2)基于改进的果蝇算法优化BP神经网络在空气质量预测中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 研究内容及组织结构 |
1.3.1 研究内容 |
1.3.2 本文组织结构 |
第2章 空气质量指数预测 |
2.1 空气质量指数 |
2.2 现有空气质量指数预测方法 |
2.2.1 支持向量机回归 |
2.2.2 灰色预测回归 |
2.2.3 随机森林回归 |
2.2.4 BP神经网络 |
2.3 本章小结 |
第3章 果蝇优化算法的改进及其在BP神经网络中实现 |
3.1 果蝇优化算法 |
3.1.1 果蝇优化算法基本原理 |
3.1.2 果蝇优化算法的具体步骤和流程 |
3.1.3 算法特性 |
3.2 果蝇算法的改进 |
3.2.1 自适应混沌果蝇优化算法 |
3.2.2 自适应混沌果蝇优化算法的具体步骤和流程 |
3.2.3 对自适应混沌果蝇算法的改进 |
3.2.4 对比实验以及分析 |
3.2.5 相同的迭代次数下算法的收敛精度以及速度 |
3.2.6 相同目标值的精度下的平均迭代次数和成功率 |
3.3 基于改进的混沌果蝇算法优化的BP神经网络 |
3.3.1 BP神经网络的学习的过程 |
3.3.2 BP神经网络的特点 |
3.3.3 改进的混沌果蝇算法优化的BP神经网络的过程 |
3.3.4 改进的混沌果蝇算法优化的BP神经网络的流程图 |
3.4 本章小结 |
第4章 数据收集及预处理 |
4.1 空气质量预测相关数据的采集 |
4.2 数据预处理 |
4.2.1 数值化处理 |
4.2.2 数据归一化 |
4.3 本章小结 |
第5章 实验及结果分析 |
5.1 AQI值直接预测 |
5.1.1 确定网络结构 |
5.1.2 预测结果分析 |
5.2 使用污染物含量对AQI值进行间接的预测 |
5.3 总体实验结果分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 未来的展望 |
致谢 |
参考文献 |
(3)基于机器学习的空气质量分析与预测(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 主要研究内容及创新点 |
1.3.1 主要研究内容 |
1.3.2 主要创新点 |
1.4 论文组织结构 |
第二章 数据预处理 |
2.1 空气污染物数据理解 |
2.2 数据预处理概述 |
2.2.1 数据分析 |
2.2.2 填补缺失值 |
2.2.3 多重插补法概述 |
2.2.4 利用多重插补填补污染物数据缺失值 |
2.3 识别异常值 |
2.3.1 K-means算法概述 |
2.3.2 识别污染物数据中的异常值 |
2.4 本章小结 |
第三章 属性间相关性分析 |
3.1 相关性分析概述 |
3.2 Spearman秩相关概述 |
3.3 污染物之间的相关性分析 |
3.3.1 六种主要污染物间的相关性结果分析 |
3.3.2 PM2.5分别与其它五项污染物间的线性回归模型 |
3.4 PM2.5与气象因素间的相关性分析 |
3.5 本章小结 |
第四章 基于ARIMA-SVM的 PM2.5 浓度预测模型 |
4.1 ARIMA模型介绍 |
4.2 SVM模型介绍 |
4.3 融合 ARIMA 和 SVM 的 PM2.5 浓度预测模型 |
4.3.1 ARIMA预测PM2.5 浓度 |
4.3.2 SVM预测PM2.5浓度残差 |
4.3.3 不同模型预测效果比较 |
4.4 基于Keras的 LSTM神经网络预测PM2.5 浓度 |
4.4.1 LSTM神经网络原理 |
4.4.2 Keras简介 |
4.4.3 利用LSTM模型预测PM2.5 浓度 |
4.5 本章小结 |
第五章 空气污染物监测系统设计 |
5.1 系统总体设计 |
5.2 城市AQI指数模块设计 |
5.3 实时监测模块设计 |
5.4 空气质量简介模块设计 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间的研究成果及发表的学术论文 |
(4)分数阶累加灰色模型及其在空气质量预测中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 灰色预测模型以及对空气质量预测的研究现状 |
1.2.2 传统统计模型对空气质量预测的研究现状 |
1.2.3 智能信息处理方法对空气质量预测的研究现状 |
1.2.4 研究评述 |
1.3 研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法及创新点 |
1.3.3 技术路线 |
第2章 空气质量相关概念及研究区域概况 |
2.1 空气质量相关概念 |
2.1.1 空气质量指数及污染物基本项目 |
2.1.2 空气污染等级及污染物项目浓度限值 |
2.2 研究区域概况 |
2.2.1 京津冀地区空气污染现状 |
2.2.2 京津冀地区空气污染成因 |
2.3 京津冀地区空气污染治理现状 |
2.4 本章小结 |
第3章 分数阶GM(1,1)模型及其空气污染物年均浓度预测 |
3.1 传统GM(1,1)模型及初值无效性证明 |
3.1.1 传统GM(1,1)模型 |
3.1.2 初始值无效性 |
3.2 分数阶GM(1,1)模型 |
3.3 粒子群优化算法 |
3.3.1 粒子群优化算法原理 |
3.3.2 粒子群优化算法基本流程 |
3.4 分数阶GM(1,1)模型在空气污染物年均浓度预测中的应用 |
3.4.1 年均浓度数据的选取 |
3.4.2 模型求解 |
3.4.3 结果分析 |
3.5 本章小结 |
第4章 分数阶灰色季节模型及其空气污染物季(月)均浓度预测 |
4.1 季节指数 |
4.2 分数阶灰色季节预测模型 |
4.2.1 分数阶SGM(1,1)模型 |
4.2.2 分数阶GSM(1,1)模型 |
4.3 分数阶GSM(1,1)模型在空气污染物季均浓度预测中的应用 |
4.3.1 季均浓度数据的选取 |
4.3.2 模型求解 |
4.3.3 结果分析 |
4.4 分数阶SGM(1,1)模型在空气污染物月均浓度预测中的应用 |
4.4.1 月均浓度数据的选取 |
4.4.2 模型求解 |
4.4.3 结果分析 |
4.5 本章小结 |
第5章 分数阶DGGM(1,1)模型及其空气污染物日均浓度预测 |
5.1 分数阶DGGM(1,1)模型 |
5.2 分数阶DGGM(1,1)模型在空气污染物日均浓度预测中的应用 |
5.2.1 日均浓度数据的选取 |
5.2.2 模型求解 |
5.2.3 结果分析 |
5.3 本章小结 |
第6章 对策与建议 |
6.1 针对空气污染的长期治理 |
6.1.1 推动清洁能源消费 |
6.1.2 优化京津冀产业结构 |
6.2 针对空气污染的短期治理 |
6.2.1 机动车尾气及扬尘控制 |
6.2.2 清洁取暖 |
6.3 京津冀地区空气污染协同治理 |
6.3.1 打造科技为导向的区域联动机制 |
6.3.2 构建利益为导向的区域补偿机制 |
6.3.3 建立多元参与主体的协同治理机制 |
6.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表论文和参加科研情况 |
致谢 |
作者简介 |
(5)基于天气雷达数据的对流性大风智能化临近预报方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 对流性大风与雷达数据图像的关联特点 |
1.3 基于雷达数据图像的临近预报方法研究现状 |
1.4 对流性大风临近预报的困难与挑战 |
1.5 论文的研究内容与组织结构 |
第2章 径向速度数据处理及大风区识别 |
2.1 引言 |
2.1.1 退速度模糊 |
2.1.2 大风区 |
2.2 数据 |
2.2.1 退速度模糊数据 |
2.2.2 大风区数据及关联对流性大风的大风区 |
2.3 退速度模糊方法 |
2.3.1 区域内退速度模糊 |
2.3.2 区域间退速度模糊 |
2.4 退速度模糊实验结果的分析和讨论 |
2.4.1 评价指标 |
2.4.2 对比实验结果与分析 |
2.5 大风区自动识别与分析 |
2.5.1 大风区自动识别算法 |
2.5.2 基于大风区的对流性大风预报 |
2.6 本章小结 |
第3章 阵风锋自动识别及基于阵风锋的对流性大风自动预报 |
3.1 引言 |
3.2 数据与数据预处理 |
3.3 阵风锋自动识别算法 |
3.3.1 阵风锋的雷达图像特征及分析 |
3.3.2 局部二值化双模板(LBDT)的设计与使用 |
3.3.3 分割与连接 |
3.3.4 滤除边缘和径向干扰回波 |
3.3.5 基于光流法跟踪识别阵风锋 |
3.4 阵风锋自动识别算法的实验与分析 |
3.4.1 评价指标 |
3.4.2 对比实验与分析 |
3.5 基于阵风锋的对流性大风预报 |
3.6 本章小结 |
第4章 线状中尺度对流系统自动识别及其引发的对流性大风自动预报 |
4.1 引言 |
4.2 线状中尺度对流系统自动识别算法 |
4.2.1 雷达数据预处理 |
4.2.2 多尺度分割方法 |
4.2.3 特征提取 |
4.2.4 分类器 |
4.3 线状中尺度对流系统自动识别实验与分析 |
4.3.1 样本 |
4.3.2 对比评价基准及评价指标 |
4.3.3 对比实验 |
4.4 由线状中尺度对流系统引发的对流性大风预报 |
4.4.1 入流缺口和回波前沿的识别 |
4.4.2 相关性分析与模型构建 |
4.5 本章小结 |
第5章 基于系列特征及综合模型的对流性大风自动预报 |
5.1 引言 |
5.2 数据预处理和样本制作 |
5.2.1 数据预处理 |
5.2.2 样本制作 |
5.3 对流性大风图像特征体系构建 |
5.3.1 LBP描述子 |
5.3.2 特征设计 |
5.3.3 特征参数选择 |
5.3.4 特征降维方法 |
5.4 基于特征的对流性大风预报模型与实验分析 |
5.4.1 随机森林方法 |
5.4.2 评价指标 |
5.4.3 实验结果与分析 |
5.5 基于Stacking方法的对流性大风综合预报模型 |
5.5.1 初级对流性大风预报模型 |
5.5.2 综合模型的评估 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 论文工作总结 |
6.2 未来工作展望 |
参考文献 |
发表论文情况 |
致谢 |
(6)基于组合模型的天津市PM2.5浓度预测(论文提纲范文)
内容摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 研究的目的及意义 |
1.3 研究的思路与方法 |
1.3.1 研究思路 |
1.3.2 研究方法 |
1.4 论文结构 |
1.5 国内外相关文献综述 |
1.6 可能的创新之处 |
第二章 天津市PM_(2.5)浓度变化情况 |
2.1 PM_(2.5)的来源与危害 |
2.1.1 PM_(2.5)的来源 |
2.1.2 PM_(2.5)的危害 |
2.2 天津市近五年的PM_(2.5)浓度变化 |
第三章 数据处理与变量选择 |
3.1 数据的预处理 |
3.1.1 缺失值处理 |
3.1.2 异常值处理 |
3.2 数据描述 |
3.2.1 AQI指标下的其他污染物浓度数据 |
3.2.2 气象因素数据 |
3.3 变量选择 |
3.3.1 计算皮尔逊相关系数 |
3.3.2 计算灰色关联度 |
第四章 模型理论介绍 |
4.1 时间序列理论 |
4.1.1 一元时间序列模型 |
4.1.2 多元时间序列模型 |
4.2 支持向量回归算法 |
4.2.1 统计学习理论 |
4.2.2 支持向量回归 |
第五章 天津市PM_(2.5)浓度建模预测 |
5.1 基于单变量的PM_(2.5)时间序列预测模型 |
5.1.1 ARMA预测模型 |
5.1.2 ARMA-GARCH预测模型 |
5.1.3 ARMA-GARCH-SVR预测模型 |
5.2 基于多变量的PM_(2.5)浓度预测模型 |
5.2.1 ARIMAX预测模型 |
5.2.2 ARIMAX-SVR预测模型 |
5.3 各模型比较 |
第六章 总结与展望 |
6.1 研究结论 |
6.2 不足与拓展 |
参考文献 |
致谢 |
(7)基于CEEMD的新型混合模型预测PM2.5浓度(论文提纲范文)
中文摘要 |
Abstract |
第一章 引言 |
1 研究背景及意义 |
2 研究现状 |
3 本文的主要特点及贡献 |
4 论文结构安排 |
第二章 预备知识 |
1 数据分解 |
1.1 经验模态分解 |
1.2 集合经验模态分解 |
1.3 互补集合经验模态分解 |
1.4 三种分解方法的比较 |
1.5 CEEMD的优势 |
2 优化算法 |
2.1 粒子群优化算法(PSO) |
2.2 鲸鱼优化算法(WOA) |
2.3 飞蛾扑火优化算法(MFO) |
3 支持向量机 |
3.1 支持向量机 |
3.2 支持向回归 |
4 关联分析 |
4.1 灰色关联分析(GRA) |
5 BP神经网络(BPNN) |
5.1 BP网络的基本结构 |
5.2 反向传播算法 |
第三章 案例分析 |
1 数据收集及相关性分析 |
1.1 数据描述 |
1.2 选择相关联气象因素 |
1.3 基本参数设置 |
2 模型评估准则 |
3 实验分析 |
第四章 总结与展望 |
1 研究结论 |
2 研究局限性 |
参考文献 |
致谢 |
(8)基于情景特征的空气质量预报模型自适应选择方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 空气质量预报模型特征研究现状 |
1.2.2 空气质量预报模型应用研究现状 |
1.2.3 模型自适应选择方法研究现状 |
1.2.4 研究现状总结 |
1.3 研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 研究方法和技术路线 |
1.4.1 研究方法 |
1.4.2 技术路线 |
1.5 论文组织 |
第2章 空气质量预报模型特征分析 |
2.1 统计预报模型特征分析 |
2.1.1 回归模型 |
2.1.2 聚类分析 |
2.1.3 时间序列分析 |
2.1.4 人工神经网络 |
2.1.5 统计预报模型特征总结 |
2.2 数值预报模型特征分析 |
2.2.1 中小尺度模型 |
2.2.2 综合区域尺度模型 |
2.2.3 全球性大尺度模型 |
2.2.4 数值预报模型特征总结 |
2.3 本章总结 |
第3章 空气质量预报模型的情景特征体系与特征库构建方法 |
3.1 模型特征子体系构建 |
3.1.1 模型机理特征因子选取 |
3.1.2 模型区域特征因子选取 |
3.2 空气质量预报模型的特征库构建 |
3.2.1 模型机理特征库构建 |
3.2.2 模型区域特征库构建 |
3.3 用户使用情景特征子体系与特征库构建 |
3.3.1 无限定条件使用情景特征子体系与特征库构建 |
3.3.2 有限定条件使用情景特征子体系与特征库构建 |
3.4 本章小结 |
第4章 空气质量预报模型的自适应选择方法 |
4.1 匹配与推荐引导的模型自适应选择 |
4.1.1 面向模型应用的自适应选择 |
4.1.2 基于匹配与推荐的模型自适应选择流程 |
4.1.3 匹配依赖的相似度计算方法 |
4.1.4 推荐依赖的资源关联方法 |
4.2 基于情景特征的模型匹配方法 |
4.2.1 模型特征集合形成 |
4.2.2 用户使用情景特征集合形成 |
4.2.3 无限定条件使用情景模型匹配方法 |
4.2.4 有限定条件使用情景模型匹配方法 |
4.3 模型执行驱动的数据资源推荐方法 |
4.3.1 数据资源库构建 |
4.3.2 数据处理工具资源库构建 |
4.3.3 数据资源与处理工具推荐方法 |
4.4 本章总结 |
第5章 原型系统设计与实验验证 |
5.1 自适应选择原型系统构建 |
5.1.1 系统架构设计 |
5.1.2 系统功能设计 |
5.2 实验验证 |
5.2.1 无限定条件使用情景实验验证 |
5.2.2 有限定条件使用情景实验验证 |
5.3 本章总结 |
第6章 总结与展望 |
6.1 研究结论 |
6.2 创新点 |
6.3 展望 |
附录 A 文献整理表格 |
参考文献 |
在读期间发表的学术论文及研究成果 |
致谢 |
(9)超前地质预报方法在平阳隧道中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究进展 |
1.2.1 超前地质预报发展现状 |
1.2.2 隧道涌水量研究发展现状 |
1.3 工程背景 |
1.3.1 工程概况 |
1.3.2 工程地质条件 |
1.3.3 水文地质条件 |
1.4 主要研究内容与技术路线 |
第二章 超前预报方法概述 |
2.1 TGP超前地质预报系统 |
2.1.1 TGP的基本原理 |
2.1.2 TGP的探测与采集 |
2.1.3 TGP的数据处理 |
2.2 TST隧道地质超前预报系统 |
2.2.1 TST的基本原理 |
2.2.2 TST的探测与采集 |
2.2.3 TST的数据处理 |
2.3 全空间瞬变电磁法 |
2.3.1 全空间瞬变电磁法的基本原理 |
2.3.2 全空间瞬变电磁法的探测与采集 |
2.3.3 全空间瞬变电磁法的数据处理及注意事项 |
2.4 地质雷达法 |
2.4.1 地质雷达的基本原理 |
2.4.2 地质雷达法的探测与采集 |
2.4.3 地质雷达法的数据处理 |
2.5 本章小结 |
第三章 综合超前地质预报在平阳隧道的应用 |
3.1 平阳隧道进口DK617+959~DK618+059 段综合预报 |
3.1.1 地震波反射法超前预报 |
3.1.2 全空间瞬变电磁法超前预报 |
3.1.3 超前预报综合分析验证 |
3.2 平阳隧道进口DK618+315.4~DK618+415.4 段综合预报 |
3.2.1 地震波反射法超前预报 |
3.2.2 全空间瞬变电磁法超前预报 |
3.2.3 超前预报综合分析验证 |
3.3 平阳隧道出口DK619+457~DK619+357 段综合预报 |
3.3.1 地震波反射法超前预报 |
3.3.2 全空间瞬变电磁法超前预报 |
3.3.3 地质雷达法超前预报 |
3.3.4 超前预报综合分析验证 |
3.4 本章小结 |
第四章 平阳隧道涌水量数据分析预测 |
4.1 平阳隧道涌水量的预测 |
4.1.1 降雨入渗法 |
4.1.2 地下水径流模数法 |
4.1.3 地下水动力学法 |
4.2 时间序列方法的基本理论与常用模型 |
4.2.1 时间序列的概念及特点 |
4.2.2 常用的时间序列模型 |
4.2.3 建立ARIMA模型的方法步骤 |
4.3 基于ARIMA模型的平阳隧道涌水量短期预测 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 建议与展望 |
参考文献 |
致谢 |
附录 |
作者简介 |
(10)基于神经网络的空气质量预测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外研究现状 |
1.3 本文主要工作与组织结构 |
第二章 基础理论与相关技术 |
2.1 BP神经网络相关理论介绍 |
2.2 粒子群优化和遗传算法介绍 |
2.2.1 粒子群优化 |
2.2.2 遗传算法 |
2.3 深度置信网络相关理论介绍 |
2.4 支持向量回归相关理论介绍 |
2.5 本章小结 |
第三章 数据选择及处理 |
3.1 数据来源与选取 |
3.2 有效数据选取 |
3.3 数据标准化与数据划分 |
3.4 特征选择 |
3.5 本章小结 |
第四章 基于BP神经网络的空气质量预测设计与实现 |
4.1 基于传统参数选择方法的BP神经网络模型 |
4.2 基于粒子群优化的BP神经网络模型 |
4.3 基于改进PSO-GA混合算法的BP神经网络模型 |
4.3.1 改进PSO-GA混合算法 |
4.3.2 基于改进PSO-GA的 BP预测模型 |
4.4 实验过程 |
4.4.1 实验环境 |
4.4.2 数据选取与处理 |
4.4.3 模型评价指标与相关参数 |
4.5 实验结果分析 |
4.6 本章小结 |
第五章 基于深度置信网络的空气质量预测设计与实现 |
5.1 基于深度置信网络的预测模型 |
5.2 灰色关联度分析 |
5.3 实验过程 |
5.3.1 实验环境 |
5.3.2 数据选取与处理 |
5.3.3 模型评价指标与相关参数 |
5.4 实验结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
四、灰色预测在空气质量预报中的应用(论文参考文献)
- [1]关中地区空气质量多模式数值预报优化方法研究[D]. 李娟. 西安科技大学, 2021(02)
- [2]基于改进的果蝇算法优化BP神经网络在空气质量预测中的应用研究[D]. 许昊. 南昌大学, 2020(01)
- [3]基于机器学习的空气质量分析与预测[D]. 刘星宇. 石家庄铁道大学, 2020(04)
- [4]分数阶累加灰色模型及其在空气质量预测中的应用[D]. 李孥. 河北工程大学, 2020(08)
- [5]基于天气雷达数据的对流性大风智能化临近预报方法研究[D]. 袁悦. 天津大学, 2020(01)
- [6]基于组合模型的天津市PM2.5浓度预测[D]. 朱明坤. 天津财经大学, 2020(07)
- [7]基于CEEMD的新型混合模型预测PM2.5浓度[D]. 张潇汐. 兰州大学, 2020(01)
- [8]基于情景特征的空气质量预报模型自适应选择方法研究[D]. 汪灵珊. 南京师范大学, 2020
- [9]超前地质预报方法在平阳隧道中的应用研究[D]. 秦浩靖. 南昌工程学院, 2019(07)
- [10]基于神经网络的空气质量预测[D]. 张旭. 南京信息工程大学, 2019(03)