-
公开(公告)号：CN116187561A
公开(公告)日：2023-05-30
申请号：CN202310163385.2
申请日：2023-02-24
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于空间时域卷积网络的PM10浓度精细化预测方法，本发明考虑了空气监测站点间的时空异质性，分析了对PM10的输送演化有重要影响的因素，利用因果卷积网络提取空间、时域依赖特征对PM10进行预测。本发明提出了可接入多源影响因素的时序预测框架，考虑空间站点间的时空异质性特征、空气污染物间的相互影响和气象因素对PM10的演化驱动作用，对PM10进行预测。本发明的建模方法克服了传统时序预测建模方法的弊端，并将多种模型优化方法应用于提升本发明的预测性能，为后续PM10浓度预测研究提供有效的指导框架。
-
公开(公告)号：CN114611399B
公开(公告)日：2025-03-18
申请号：CN202210268175.5
申请日：2022-03-17
Applicant: 北京工业大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，该方法综合气象和其他污染物影响因素，提出了基于自然梯度提升的PM2.5浓度预测模型，以提升长时间序列PM2.5浓度预测的精度。使用Isolation Forest算法对采集到的目标站点空气污染物及气象数据进行了异常值判定、通过斯皮尔曼相关系数进行特征选择等预处理作为总数据集；提出数据时序离散化方法，使用所有天中同一小时的数据构成模型输入。然后进行了数据规范化、数据集划分比例、阈值等参数调优实验进行模型优化。最后将离散化后的多维数据集采用NGBoost算法，得出对目标站点未来一天PM2.5浓度的小时级精确化预测值。本发明为PM2.5浓度长时间序列预测提供了一个开放的研究框架。
-
公开(公告)号：CN113962489A
公开(公告)日：2022-01-21
申请号：CN202111428869.2
申请日：2021-11-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，该方法从与目标站点空间强相关的站点数据中挖掘时空依赖特征，以提升PM2.5的单步预测精度。对采集到的空气污染物及气象数据进行了插值处理、特征选择、数据扩充等预处理。利用相关性分析及空间注意力机制，提取融合与目标站点空间强相关的站点信息；采用基于时间注意力的膨胀卷积网络，优化了输入数据窗口大小并扩展了预测覆盖的时域范围。然后基于ST‑CCN‑PM2.5模型进行了相关性阈值、数据归一化、数据集划分等超参数调优的实验以辅助优化模型。最后将多站点数据集用于对该模型的训练。本发明克服了传统RNN模型的梯度问题、复杂体系结构等弊端，为PM2.5浓度细粒度预测提供了一个开放研究框架。
-
公开(公告)号：CN114611399A
公开(公告)日：2022-06-10
申请号：CN202210268175.5
申请日：2022-03-17
Applicant: 北京工业大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，该方法综合气象和其他污染物影响因素，提出了基于自然梯度提升的PM2.5浓度预测模型，以提升长时间序列PM2.5浓度预测的精度。使用Isolation Forest算法对采集到的目标站点空气污染物及气象数据进行了异常值判定、通过斯皮尔曼相关系数进行特征选择等预处理作为总数据集；提出数据时序离散化方法，使用所有天中同一小时的数据构成模型输入。然后进行了数据规范化、数据集划分比例、阈值等参数调优实验进行模型优化。最后将离散化后的多维数据集采用NGBoost算法，得出对目标站点未来一天PM2.5浓度的小时级精确化预测值。本发明为PM2.5浓度长时间序列预测提供了一个开放的研究框架。
-
-
-
Search Results
4
records
(took 0.017 seconds)
