原文传递
基于特征扩张的融合神经网络的城市PM10浓度预测方法
| 专利名称： | 基于特征扩张的融合神经网络的城市PM10浓度预测方法 |
| 摘要： | 本发明涉及一种基于特征扩张的融合神经网络的城市PM10浓度预测方法，包括：步骤S1：基于特征扩张的栈式自编码器和LSTM网络，构建城市PM10浓度预测的模型；步骤S2：从污染物和气象的监测数据中选择训练数据和测试数据；步骤S3：利用训练数据对基于特征扩张的栈式自编码器进行训练；步骤S4：基于高斯函数对栈式自编码器的输出的特征向量进行处理，为不同城市的特征向量计算相应的影响权重，加权求和得到新的特征向量；步骤S5：将新的特征向量输入到LSTM中，进行模型的整体训练；步骤S6：将测试数据输入训练好的模型，衡量测试数据产生的预测结果的误差；步骤S7：将训练和微调好的模型用于空气污染物浓度预测。与现有技术相比，本发明具有预测准确等优点。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 上海;31 |
| 申请人： | 上海师范大学 |
| 发明人： | 张波;雍睿涵;李美子;倪琴 |
| 专利状态： | 有效 |
| 申请号： | CN201810622784.X |
| 公开号： | CN109142171A |
| 代理机构： | 上海科盛知识产权代理有限公司 31225 |
| 代理人： | 蔡彭君 |
| 分类号： | G01N15/06(2006.01)I;G;G01;G01N;G01N15 |
| 申请人地址： | 200234 上海市徐汇区桂林路100号 |
| 主权项： | 1.一种基于特征扩张的融合神经网络的城市PM10浓度预测方法，其特征在于，包括：步骤S1：基于特征扩张的栈式自编码器和LSTM网络，构建城市PM10浓度预测的模型；步骤S2：针对所构建的模型，从污染物和气象的监测数据中选择训练数据和测试数据；步骤S3：利用训练数据对基于特征扩张的栈式自编码器进行训练；步骤S4：基于高斯函数对栈式自编码器的输出的特征向量进行处理，为不同城市的特征向量计算相应的影响权重，加权求和得到新的特征向量；步骤S5：将所述新的特征向量输入到LSTM中，进行模型的整体训练；步骤S6：将测试数据输入训练好的模型，衡量测试数据产生的预测结果的误差，若误差超过阈值，则返回步骤S2，反之，则执行步骤S7；步骤S7：将训练和微调好的模型用于空气污染物浓度预测。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
