基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

针对目前多数PM_2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM_2.5浓度值插值为PM_2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM_2.5网格图, 预测下一时刻的PM_2.5网格图。该模型可以利用历史不同时刻提取的PM_2.5浓度值网格图, 在预测区域内所有位置PM_2.5浓度值的同时, 还可以提升预测的准确性以及对PM_2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM_2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。     

基于GA-BP神经网络的自建点PM2.5浓度校准研究

为精准预报空气质量,以PM2.5为例对其自建点监测浓度进行校准,选取6种污染物浓度以及5个环境因素建立神经网络模型。BP算法由于权值和阈值的随机性可能存在局部最优、过渡拟合等缺陷,所以利用遗传算法优化BP神经网络,构建GA-BP神经网络模型。仿真结果表明,GA-BP神经网络的校准平均绝对百分比误差和均方误差分别为12.56%和0.0197,明显低于BP神经网络,说明该模型校准效果更好,能明显提高空气质量预报的准确率。     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

散热器上方颗粒物浓度与环境参数的相关性研究

为了探索散热器上方热气流影响下的颗粒分布规律,为室内颗粒物的控制提供理论基础,用Grimm1.109系列粉尘监测器对西安42处散热器上方及远离散热器的室内环境中的颗粒物浓度进行了测试,并使用TSI8386A-M-GB风速计测量了测点处的温度、相对湿度和风速。基于测试结果,采用SPSS20.0软件对散热器上方的颗粒物浓度与环境参数之间的相关性进行了分析。分析结果表明:室内环境中的颗粒物浓度、气流温度、相对湿度和风速均对散热器上方的颗粒物浓度有不同程度的影响。     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨...     

外混合气溶胶吸湿性对其平均消光系数的影响

基于Mie散射理论与气溶胶颗粒粒径及折射率的湿度增长模型,以两种典型吸湿性气溶胶外混合组成的颗粒系为研究对象,计算分析了气溶胶平均消光系数对环境相对湿度的依赖关系。计算结果表明:在可见光与近红外波段,当相对湿度在60%~95%的范围内逐渐增大时,气溶胶颗粒物吸湿增长,使其粒度分布逐渐增宽,等效折射率逐渐减小,造成气溶胶的平均消光系数呈指数规律增长。进一步计算发现,当外混合气溶胶来源一定时,窄分布成分的气溶胶含量越高,或者某一成分的气溶胶粒度分布越窄时,随环境湿度的增大,外混合气溶胶平均消光系数的增长越快。上述方法也适用于预测复杂成分的外混合气溶胶平均消光系数与相对湿度的变化关系,从而为实际大气气溶胶光学性质和大气环境质量的研究提供理论依据。     

基于滑动窗口和LSTM的PM2.5浓度预测模型

随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5浓度的小时数据以及对应的气象数据作为样本进行实验.首先对数据进行预处理,考虑到PM2.5前后关联性很强这一特点,将数据进行基二时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM2.5浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好.     

基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于神经网络和时间序列的河南省老年人口系数的预测

基于河南统计年鉴2001—2013年老年人口系数的数据,利用BP神经网络模型对河南省老龄化指标进行预测,训练效果不理想.因此采用时间序列二次指数平滑法对老年人口系数进行预测,预测结果的相对误差均值为4.97%.为了更加精准地预测老年人口系数,采用时间序列和BP神经网络结合的模型对其进行预测,此方法解决了老年人口系数的非线性的映射关系,预测结果的相对误差基本控制在1%左右,因此这个模型是最优的,更加适合预测河南省老年人口系数.预测结果表明河南省人口老龄化趋势是逐渐上升的.     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于RBF神经网络的旋风器阻力系数预测模型

旋风器阻力系数是随旋风器结构参数变化的复杂函数，根据阻力系数与结构因素之间的映射关系建立了基于径向基函数(RBF)神经网络预测模型，并将其用于切流反转式旋风器阻力系数的预测并与常用的BP神经网络模型比较。结果表明，该模型收敛速度快。预测误差小，预测结果与实测结果较为符合。     

基于模糊神经网络的水力机组模型辨识

根据水力机组可分段线性化的特性,提出了水力机组简易模糊语言模型。在此基础上,将反馈控制思想引入系统辨识,同时结合神经网络的易学习特点给出了基于模糊神经网络的水力机组模型结构及其算法。最后将所建模型运用于灯泡贯流式机组的在线预测。试验结果表明,该模型在线修正工作量小,并能迅速地、较为准确地逼近实际系统的输出,可以作为贯流式机组自适应控制的实时预测模型。     

基于神经网络模型的室内大规模人流密度预测

提出了一种新型的适用于大规模室内人流密度预测算法.在现有基于无线信号强度的人流密度估算算法基础上,引入加权运算来提升估算质量.进一步,根据连续若干个时间段内估算所得的人流密度,通过BP神经网络模型,对未来某一时刻该区域的人流密度进行预测.根据仿真模型和3个月的数据采集与分析,所得到预测模型的准确率达到了94.70%.      

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

我国体育人口增长预测模型研究

运用文献调查、逻辑分析、类比分析等研究方法对体育人口增长预测模型的构建进行研究,其目的是通过构建体育人口增长预测模型,准确地预测我国未来体育人口的增长,为相关决策部门制定健身政策提供理论参考。文章阐述了体育人口的特点以及神经网络的基本原理,论述了运用BP神经网络进行体育人口增长预测的可行性,建立了基于BP神经网络体育人口增长预测模型,补充了体育人口增长预测理论研究的空白,对我国未来准确预测体育人口增长具有一定现实意义。