基于粗糙集和模糊神经网络的空气质量评价

针对概率神经网络的输入量过多会影响其训练速度的问题,采用了基于分辨矩阵的粗糙集属性约简方法,删除不相关或不重要的指标.鉴于空气质量分级标准的模糊性,将模糊数学和概率神经网络结合起来,构建了模糊概率神经网络空气质量评价模型(FPNN),然后将约简后的指标值进行模糊化处理后输入到PNN神经网络进行智能训练.实例表明.该方法提高了收敛速度,评价结果客观可靠,具有一定的实用价值.     

基于WOA-BiLSTM模型的空气质量指数预测

空气质量预测工作对于人们的生活日常出行具有非常重要的意义. 长短时记忆网络作为一种新型的深度学习循环神经网络, 对于时间序列数据表现出良好的预测能力. 但是针对神经网络模型在训练过程中一般凭借经验进行参数选择, 训练周期长, 预测精度低, 结果不可靠的问题, 本文提出了一种基于鲸鱼优化算法的双向长短时记忆网络模型, 即WOA (whale optimization algorithm)-BiLSTM (bidirectional long short-term memory)模型. 双向长短时记忆网络凭借其前向和后向的双向网络结构, 能够加强序列数据信息的记忆能力, 而WOA算法可以依据鲸鱼捕食时气泡网捕食的方法, 协助BiLSTM模型在训练过程中找到最优的网络参数. 将该模型用于陕西省AQI (air quality index)预测, 并分别和BiLSTM、LSTM模型进行对比, 发现本文提出的模型预测结果最好, MAE值为6.543 3, R²值达0.989 9. 将该模型用于空气质量预测领域具有良好的理论和实践意义.     

面向空气质量的时空混合预测模型

由于城市中各区域空气质量同时存在时间与空间维度上的相关性,而传统深度学习模型结构比较单一,并且难以从时空角度进行建模。针对该问题提出一种可以同时提取空气质量间复杂时空关系的STAQI模型用于空气质量预测。该模型由局部组件和全局组件构成,分别用于描述本地污染物浓度和邻近站点空气质量状况对目标站点空气质量预测产生的影响,并利用加权融合组件输出获得预测结果。在全局组件中,利用图卷积网络改进门控循环单元网络的输入部分,从而提取出输入数据中的空间特征。最后将STAQI模型与多种基准模型和变体模型进行对比。其中,STAQI模型与门控循环单元模型和全局组件变体模型相比,均方根误差（RMSE）分别下降约19%和16%。结果表明STAQI模型对于任意时间窗口都具有最佳预测性能,并且对不同目标站点的预测结果验证了该模型具有较强的泛化能力。     

基于数据挖掘的空气质量预测模型研究

在日益积累的空气质量大数据背景下,面对复杂多变的空气质量状况,文章从数据挖掘技术在空气质量时序数据上的应用角度出发.在时序样本数据清洗后,采用传统自回归移动平均模型对空气质量数据进行研究,分析数据的平稳性、季节性,差分平稳化数据,通过推导求证建立模型进行拟合预测.随后,在时序研究的基础上构建了基于门控循环网络的空气质量预测模型.并通过实验证明了基于循环神经网络的模型较传统模型在预测精度上的提升,在预测步长上也有很大的优势,并具有很好的实际应用价值.     

面向空气质量的时空混合预测模型

由于城市中各区域空气质量同时存在时间与空间维度上的相关性，而传统深度学习模型结构比较单一，并且难以从时空角度进行建模。针对该问题提出一种可以同时提取空气质量间复杂时空关系的STAQI模型用于空气质量预测。该模型由局部组件和全局组件构成，分别用于描述本地污染物浓度和邻近站点空气质量状况对目标站点空气质量预测产生的影响，并利用加权融合组件输出获得预测结果。在全局组件中，利用图卷积网络改进门控循环单元网络的输入部分，从而提取出输入数据中的空间特征。最后将STAQI模型与多种基准模型和变体模型进行对比。其中，STAQI模型与门控循环单元模型和全局组件变体模型相比，均方根误差（RMSE）分别下降约19%和16%。结果表明STAQI模型对于任意时间窗口都具有最佳预测性能，并且对不同目标站点的预测结果验证了该模型具有较强的泛化能力。     

Elman神经网络在优化空气预报模式结果中的应用

空气质量与人们的生活息息相关, 空气质量的预测结果是进行空气质量控制的依据. 因此, 提高空气质量的预测精度是本文研究的重点. CMAQ (Community Multiscale Air Quality modeling system)和CAMx (Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式, 其工作原理是通过大气物理化学方法模拟污染物传输转化过程, 进而预测空气质量. 空气质量数值模式的输入文件质量会影响到空气质量的预测精度, 为了提高空气质量预测的准确率, 本文提出了一种基于Elman神经网络的优化方法, 该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果. 首先, 运行空气质量模式CMAQ和CAMx得到预测结果, 然后对预测结果进行预处理, 处理后的预测数据和实测数据一起作为Elman神经网络的输入, 进行模型的训练, 最后得到神经网络模型. 通过对测试数据集的验证和分析, 实验结果表明, 该方法表现出比单一空气质量数值模式更高的准确率.     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH₃N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.     

Elman神经网络及其在河口水质评价中的应用

应用Elman神经网络对河口水质进行评价,确定其水质级别及污染程度.根据汾河入黄口的实际污染情况及因子选择的目的原则,确定评价因子,构建基于Elman神经网络的河口水质评价模型.应用训练好的Elman神经网络河口水质评价模型对河津大桥监测断面2010年各月水质进行评价,分析研究汾河入黄口处的水质污染状况,结果表明,汾河入黄口河津大桥监测断面2010年各月综合水质均为劣V类水,因此,汾河入黄口污染治理迫在眉睫,应从源头加强汾河污染物入河量的控制.水质识别实例表明Elman河口水质评价模型避免了传统神经网络无法实时改变模型结构和缺乏对未来突变情况适应性的缺点,使得训练好的网络具有非线性和动态特性,水质评价结果切合实际,具有很好的实用性.     

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.     

基于神经网络的邢台市空气质量预测模型构建研究

随着邢台市空气污染日趋严重,构建基于神经网络的空气质量等级预测模型具有重要意义.文章以邢台市空气主要污染源的排放量、日最高温度、日最低温度、风力及空气质量等级为样本数据,基于MATLAB神经网络的背景,运用BP神经网络、PNN神经网络、Elman神经网络模式识别方法构建空气质量预测模型,通过对比预测空气质量等级和实际等级评价模型,结果表明,BP神经网络正确率41.94％,PNN网络正确率38.71％,Elman网络正确率35.48％,BP神经网络所构建的预测模型效果最好.