基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

基于时空多视图BP神经网络的城市空气质量数据补全方法研究

针对城市空气质量监测数据缺失的问题,提出一种基于时空多视图BP神经网络的数据补全方法。采用指数移动平均、普通克里金和非凸矩阵完备作为时空多视图特征,结合映射非线性关系的BP神经网络,构建数据补全模型。以北京市36个站点2014年5月1日至2015年4月30日监测的PM_2.5、PM₁₀、NO₂、CO、O₃和SO₂6种空气污染物小时浓度为实验数据。实验结果表明,在15%缺失率下,随机缺失补全的平均相对误差为0.102~0.154,时间连续缺失补全的平均相对误差为0.161~0.271,空间连续缺失的补全平均相对误差为0.108~0.155,优于典型的单视图预测方法和多视图线性预测方法。研究成果可为城市空气质量数据补全工作提供方法支持,研究思路可为时空数据挖掘提供参考。     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

基于MODIS数据的山西省PM2.5浓度估算研究

通过ENVI软件对美国国家航空航天局（NASA）发布的MODIS L1B数据进行几何校正、波段合成、重采样、构建查找表等操作,反演了山西省2020年3—8月气溶胶光学厚度（aerosol optical depth,AOD）,用大气气溶胶产品MOD04_3K验证AOD的反演精度,对反演结果中的高度进行订正,分析了山西省AOD时空分布特征,在此基础上建立了AOD与PM_2.5浓度的回归模型,并通过模型验证估算误差。结果表明：（1）MODIS L1B反演结果具有较高的精度,与大气气溶胶产品MOD04_3K数据的相关系数为0.934。（2）在时间分布上,AOD存在明显的季节性差异,夏季AOD均值远高于春季;在空间分布上,AOD呈现由北向南逐渐增加的趋势,高值主要出现在山西省南部的临汾市和运城市。（3）整体、春季、夏季3类回归模型的平均相对误差分别为25.91%,27.62%,23.87%,表明模型的拟合效果较好,可较为准确地估算PM_2.5浓度。     

基于BERT-LSTM的答案选择模型

目前主流答案选择算法主要首先基于word2vec/glove进行词语表示,再使用RNN或CNN提取文本语义特征,但word2vec/glove无法解决一词多义问题,RNN和CNN在文本全局特征提取方面也有局限。针对以上不足,论文提出一种基于BERT预训练模型的答案选择算法BERT-LSTM,首先采用BERT模型提取问答文本的语义特征表示,再利用BiLSTM加强文本序列信息并整合文本语义,最后引入注意力机制突出重点信息,以此完成答案选择任务。在答案选择基准数据集InsuranceQA和WiKiQA上的测试验证了所提出算法的有效性。     

基于Xgboost的商业销售预测

以德国Rossmann商场的数据为例,通过对数据的探索性分析,以相关背景业务知识体系为基础,通过可视化分析,提取隐含在数据里的特征,使用性能较优的Xgboost方法进行规则挖掘,取得较好效果。为进一步提高Xgboost方法的预测精度和泛化性能,论文结合特征工程,采用集成学习方法,利用GLMNET和Xgboost模型拟合残差,结合LM、TSLM在趋势和季节性预测的优点,提出一种基于Xgboost的优化组合模型用以对行业数据进行预测,通过实验验证了该组合模型具有较好的精度和泛化能力。     

模糊聚类支持向量机的区域空气PM_(2.5)浓度预报

在分析模糊C均值聚类算法与支持向量机回归的特点后,将二者结合,提出了模糊聚类支持向量机回归(FCM-SVR)算法,对空气中颗粒物浓度PM2.5进行预测.该方法首先利用模糊C均值聚类算法把一个复杂的数据集分成多个群体,再在每个群体上建立支持向量机回归(SVR)模型,然后进行集成,对区域空气的PM2.5浓度进行预测.预测结果分别与自组织竞争神经网络支持向量机回归(SOM-SVR)模型和单一的支持向量机回归(SVR)的结果进行比较.结果表明,FCM-SVR模型的预报准确率高于SOM-SVR模型和SVR模型.     

乌药化学成分结构参数与色谱保留时间的关系

乌药含有呋喃倍半萜、黄酮、生物碱、挥发油等多种化学成分,具有抗氧化、抗肿瘤及抑菌等活性.为研究乌药化学成分的性质,计算了乌药化学成分的分子连接性指数和电性拓扑状态指数,并筛选分子连接性指数中的⁰X,⁵X和⁵X_c,以及电性拓扑状态指数中的E₁,E₂和E₃,将这6种结构指数作为神经网络的输入层变量,色谱保留时间作为输出层变量,做回归分析,采用6∶5∶1的神经网络结构,构建了预测能力较强的预测模型.该模型总相关系数r_t为0.994 0,训练集相关系数为0.992 9,测试集相关系数为0.997 0,验证集相关系数为0.997 9,利用该模型计算得到的保留时间预测值与实验值吻合度较好,相对平均误差为2.66%.结果表明,乌药化学成分的色谱保留时间与6种结构参数之间具有良好的非线性关系.     

温州市PM_(2.5)中水溶性离子污染特征及来源分析

2015年1~12月在温州市区采集448个PM_(2.5)样品,采用离子色谱法分析PM_(2.5)中9种水溶性离子(SO_4~(2-)、NO_3~-、NH_4~+、Cl~-、Na~+、K~+、Ca~(2+)、Mg~(2+)和F~-)的浓度,研究其污染特征、化学组分和来源.采样期间9种水溶性离子总浓度为39.97μg·m~(-3),SO_4~(2-)、NO_3~-和NH_4~+占所测水溶性离子总量的(40.19±10.04)%.离子总浓度的季节变化特征为冬季春季秋季夏季,从空间分布上看,多数季节市站采样点PM_(2.5)中离子总浓度低于南浦、龙湾和瓯海采样点.相关性分析结果显示,PM_(2.5)值与NH_4~+、Ca~(2+)、Na~+、K~+、Cl~-、NO_3~-、SO_4~(2-)浓度显著相关,PM_(2.5)中SO_4~(2-)和NH_4~+的主要结合方式为(NH_4)_2SO_4.硫氧化速率(SOR)和氮氧化速率(NOR)的年均值分别为0.44±0.09和0.13±0.04,表明温州市PM_(2.5)中SO_4~(2-)和NO_3~-主要由二次转化形成.主成分分析结果表明,温州市PM_(2.5)中水溶性离子主要来源于燃煤(火力发电和工业燃煤)、生物质燃烧、机动车尾气以及道路和建筑扬尘.     

台州市不同功能区环境空气PM_(2.5)的污染特征研究

2015年7月至2016年3月在台州市采集504个PM_(2.5)样品,利用电感耦合等离子体发射光谱仪和原子荧光光度计分析样品中的19种无机元素,利用离子色谱和热光碳分析仪分别分析8种水溶性离子和2种碳组分有机碳(OC)和元素碳(EC)的质量分数,研究不同功能区环境空气PM_(2.5)及其化学组分的污染特征.结果表明,台州市环境空气PM_(2.5)年均质量浓度为(45.3±20.1)μg·m~(-3),季节变化规律为冬季春季秋季夏季,空间变化规律为工业园区商住区自然保护区.19种无机元素占PM_(2.5)总量的9.78%,主要元素为Na、K、Ca、Si、Zn、Al、Mg和Fe.富集因子分析结果表明,台州市无机元素的主要污染源包括道路交通尘、燃煤尘、建筑扬尘以及海盐粒子.采样期间8种水溶性离子总质量浓度为(26.50±5.86)μg·m~(-3),SO_4~(2-)、NO_3~-和NH_4~+占PM_(2.5)总量的(41.96±8.59)%.Cl~-、NO_3~-和NH_4~+离子质量分数为工业园区商住区自然保护区,SO2-4离子质量分数水平在3个功能区相近.OC和EC的年均浓度分别为(10.04±2.08)和(3.27±0.80)μg·m~(-3).商住区和工业园区OC和EC浓度水平相近,略高于自然保护区.SOC/OC值为秋季最高,冬季其次.不同季节SOC/OC值均为工业园区高于商住区和自然保护区.     

应用于平扫CT图像肺结节检测的深度学习方法综述

肺癌是一种致死率很高的癌症.通过肺部平扫CT影像检测肺结节对肺癌早期诊断、治疗意义重大.全面介绍了一种革命性的图像识别技术——深度学习方法,在肺结节检测中的应用.首先,横向对比了不同卷积神经网络的结构及其在图像识别上的效果,其次着重分析了不同深度学习方法在训练肺结节分类器上的应用,包括faster-RCNN、迁移学习、残差学习以及迁移学习.还介绍了一些可用的肺部CT影像数据集供读者参考.     

基于神经网络集合预报的台风路径预报优化

针对目前台风路径预报研究中存在的预报精度不高、预报时次高耦合等缺陷,提出了一种基于神经网络集合预报的台风路径预报优化模型。运用混合模式集合预报思想和反向传播的多层前馈训练机制,充分挖掘数据特征,解决了单集合预报的固化性问题和单神经网络预报模型的随机性问题,为现有台风数值预报方法和人工智能技术的结合提供了新思路。以2018年活动在西北太平洋、南海地区的台风为样本进行对比实验,结果表明,60 h内的预报精度均得到了提高,一定程度上反映了该模型的实际应用价值。