基于BP神经网络的PM2.5预测

自进入工业化社会以来,空气污染逐渐成为全球最大的环境问题之一。空气中的悬浮粒子对人类身体健康产生有害影响,减少空气污染的重要前提就是预测PM2.5的浓度。因此,对大气质量污染的监测以及预测研究显得尤为重要。本文采用openstack云计算组件,部署了大数据平台,通过历史数据加实时抓取的数据来完善BP神经网络,以实现自我学习来提高预测数据的准确度。     

基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

基于Adam注意力机制的PM2.5浓度预测方法

大气PM2.5浓度是一种具有较强时序特征的数据,故目前关于PM2.5浓度的预测多选择RNN、LSTM等序列模型进行.但由于RNN、LSTM等模型对不同时刻输入的数据都采用相同的权重进行计算,不符合类脑设计,造成PM2.5浓度预报准确率较低.针对以上问题,提出一种基于Adam注意力机制的PM2.5预测方法(AT-RNN和...     

基于注意力机制的CNN-BiLSTM的PM2.5时序特征预测

本文为了充分挖掘PM2.5浓度预报基础数据中时序性特征联系,提高PM2.5浓度预测精度,本文提出了一种基于注意力机制的CNN-BiLSTM的PM_2.5浓度预测模型,充分利用CNN空间局部特征提取能力以及BiLSTM对时间信息的双向长短期记忆,再结合Attention机制对不同特征分配权重系数,进一步提升模型的预测准确度。结果表明,本文模型在测试集上的MAE、R2、MAPE分别为：0.944、0.844、0.18,其预测效果均优于LSTM模型和CNN-LSTM模型,特别是应对突变情况下,其灵敏度和准确度更高,能较好地拟合真实值。     

PM2.5模拟溶液的光学特性研究

雾霾是危害当今大气环境的突出表现,研究雾霾的光学属性具有十分重要的意义.一般通过对PM2.5,也就是空气中直径小于或等于2.5微米的污染颗粒物的检测来分辨雾霾的等级.本文通过对PM2.5模拟溶液的检测来反应雾霾的等级,利用PM2.5模拟溶液的浓度与光强度和对比度进行归纳,得到具有一定规律的实验数据,为今后利用光学的方法对雾霾进行检测打下基础.     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

PM2.5相关因素分析及其演变预测

采用统计学方法对西安地区监测点空气质量指数AQI包含的6个基本监测指标进行相关性分析。得出了PM2.5与其余5项监测指标的具体关系。由于PM2.5污染源具有分散性,通过监测数据求得当量污染源位置及相关参数,并基于瞬时高斯模型和杜哈梅积分建立了描述区域PM2.5浓度及其演变的数学模型。根据《环境空气质量标准》(GB3095-2012)动态地给出随时间变化的重度污染区域以及安全区域。     

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。     

基于神经网络的高校涉密项目风险预测

针对高校涉密项目风险因素多和保密环境复杂的特点,利用三层BP神经网络对能够逼近任意非线性函数的良好特性,突破传统上基于统计学方法进行预测的限制,综合了时间序列的计算简单,需要历史数据少的优点,设计了一种体现时序的多因素动态时间序列BP神经网络预测模型,并将模型运用于某高校涉密项目泄密风险的预测研究中。仿真实验表明,此方法切实可行,而且具有较好的预测精度。     

基于BP神经网络的电视节目收视率预测模型

电视节目收视率预测是一种典型非线性预测,收视率在短时间内相对稳定。人工神经网络具有良好的容错性、自适应学习能力以及非线性映射能力,采用人工神经网络做收视率预测精度较高。基于BP神经网络建立了预测模型,并采用软件仿真的方式对预测过程以及预测结果进行分析,实验结果表明采用BP神经网络预测电视节目收视率是可行的。     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

基于分形自仿射特性的混沌预测方法研究

研究了一类特殊非线性系统———混沌系统的局部预测问题。分析了分形的自仿射特性 ,将迭代函数系统(IFS)引入到混沌时间的预测中 ,从而将混沌预测问题转化为在相空间迭代寻找一个最佳的仿射算子和仿射子集 ,由此修正了最邻点的选取准则。从理论上证明了方法的可行性。结合局部超平面近似法 ,给出了迭代预测算法。数字仿真表明了该方法不仅提高了一步预测的精度 ,还具有多步较好的预测能力。     

基于模糊神经网络预报的抽油机节能控制研究

基于油田多数抽油机轻载运行的现状,提出抽油机"间歇启停"运行的节能控制方案,考虑采油为一复杂过程,选择模糊神经网络(FNN)预报方法给予实现.为了实现这一方案,首先介绍了T-S模糊神经网络的结构,结合抽油过程的特点和研究的需要,对其进行了简化和改进;然后运用采油现场的样本信息和专家知识对FNN进行训练;最后给出了实用的抽油机节能FNN预报算法,将该算法应用在智能抽油机控制器中,取得了满意的节能效果.