本文主要研究内容
作者黄婕,张丰,杜震洪,刘仁义,曹晓裴(2019)在《基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测》一文中研究指出:针对目前大部分PM2.5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PM2.5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PM2.5小时浓度预测。
Abstract
zhen dui mu qian da bu fen PM2.5yu ce mo xing yu ce xiao guo bu wen ding 、fan hua neng li bu jiang de xian zhuang ,yi ji yi neng li jiao jiang de xun huan shen jing wang lao (RNN)he te zheng biao da neng li jiao jiang de juan ji shen jing wang lao (CNN)wei ji chu ,cai qu Stackingji cheng ce lve dui liang zhe jin hang rong ge ,di chu le RNN-CNNji cheng shen du xue xi yu ce mo xing 。gai mo xing bu jin chong fen li yong shi jian zhou shang de qian hou guan lian xin xi qu yu ce wei lai de nong du ,er ju zai bu tong ceng ci shang jiang zi dong di qu de gao wei shi xu shu ju tong yong te zheng yong yu yu ce ,yi bao zheng yu ce jie guo de wen ding xing 。zui hou ,dui ji cheng zhi qian de RNN、CNNhe ji cheng zhi hou de RNN-CNNmo xing ,yi 2016nian zhong guo da liu de ou 1 466ge jian ce zhan dian de kong qi zhi liang shu ju wei yang ben jin hang shi li yan zheng ,jie guo biao ming ,RNN-CNNzai PM2.5shi jian xu lie yu ce shang de biao xian ming xian you yu ji cheng zhi qian de RNNhe CNN,er ju fan hua wu cha geng di ,zai 34%zhan dian shang de ni ge du chao guo 0.97,gai mo xing ke yong yu da fan wei ou yu de PM2.5xiao shi nong du yu ce 。
论文参考文献
论文详细介绍
论文作者分别是来自浙江大学学报(理学版)的黄婕,张丰,杜震洪,刘仁义,曹晓裴,发表于刊物浙江大学学报(理学版)2019年03期论文,是一篇关于小时浓度预测论文,深度学习论文,集成学习论文,浙江大学学报(理学版)2019年03期论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自浙江大学学报(理学版)2019年03期论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。