基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

基于相似性度量的改进DBSCAN算法

针对传统DBSCAN算法对高维数据集聚类效果不佳且参数的选取敏感问题,提出一种新的基于相似性度量的改进DBSCAN算法.该算法构造了测地距离和共享最近邻的数据点之间的相似度矩阵,克服欧式距离对高维数据的局限性,更好地刻画数据集的真实情况.通过分析数据的分布特征来自适应确定Eps和MinPts参数.实验结果表明,所提GS-DBSCAN算法能够有效地对复杂分布的数据进行聚类,且在高维数据的聚类准确率高于对比算法,验证了算法的准确性和可行性.