因此,如图3所示,我们将空气污染物浓度数据在特定的时间滞后内进行分组,以便为多尺度预测制定输入(以实心矩形表示)。表2展示了多尺度预测精度。 图3. 多尺度预测示意图 表2. 多尺度预测精度 结论 本文提出了一个基于历史空气污染物浓度数据,气象数据和时间戳数据预测大气污染物浓度的LSTME模型。 LSTME模型能够对具有...
[0005] 本发明提供了一种空气污染物浓度预测方法,包括:对空气污染物浓度数据使用 Mallat算法进行多尺度小波分解,对最后一级尺度的低频近似序列使用支持向量回归模 型即SVR建模预测,对其它高频细节序列使用自回归移动平均模型即ARM建模预测,使用 Mallat算法对各级系数序列进行重构,得到空气污染物浓度的预测结果。
本发明涉及一种空气污染物浓度时空域关联预测方法,包括:步骤S1:以PM2.5为样例的目标污染物预测,构建基于残差网络和卷积LSTM网络预测模型;步骤S2:从环境监测数据中选择合适的训练和测试数据,完成对预测模型的初始化;步骤S3:对预测模型逐阶段进行训练,得到能够对PM2.5进行精确预测的神经网路预测模型;步骤S4:利用验证集...
隧道内空气污染物浓度预测方法 维普资讯 http://www.cqvip.com
B环境空气质量功能区分类: 一类区为自然保护区,风景名胜区和其他需要特殊保护的地区;执行一级标准 二类区为城镇规划中的居住区、商业交通居民混合区、文化区、一般工业区和农村地区;执行二级标准 三类区为特定工业区。执行三级标准。 C常见的污染物的浓度限值:单位mg/m3 3)大气污染物综合排放标...
本发明公开了一种空气污染物浓度预测方法,本方法包括:对空气污染物浓度数据使用Mallat算法进行多尺度小波分解,对最后一级尺度的低频近似序列使用支持向量回归模型即SVR建模预测,对其它高频细节序列使用自回归移动平均模型即ARMA建模预测,使用Mallat算法对各级系数序列进行重构,得到空气污染物浓度的预测结果.本发明中针对不同...
提取模型进行计算得到当前时刻的空气质量特征;将所述当前时刻的空气质量特征输入至预先训练好的污染物浓度预测模型,得到所述污染物浓度预测模型输出的下一时刻的待测区域空气污染物浓度预测结果.本发明通过提取空气监测站点的空间特征信息,并综合时序和空间特征信息对空气污染物进行预测,从而有效提高了空气污染物浓度的预测...
本发明提供了一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法.包括以下步骤:1)获取预测区域站点的一段时间内的历史空气污染物浓度数据;2)对这些历史数据进行预处理,对缺失的数据采用拉格朗日插值法进行填充,进行标准化处理;3)构建组成污染物浓度数据的时空矩阵,并通过CNN提取其空间特征;4)对预测站点的所有污染...
公开号：CN111160628A 公开日：20200515 专利内容由知识产权出版社提供 摘要：本发明提供了一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。包括以下步骤：1)获取预测区域站点的一段时间内的历史空气污染物浓度数据；2)对这些历史数据进行预处理，对缺失的数据采用拉格朗日插值法进行填充，进行标准化处理；3)...
本发明公开一种预测房屋装修后室内空气中污染物浓度的方法,包括调查房屋装修地的最热月平均温度,最高月平均相对湿度;根据装修方案确定板材的种类n及板材使用面积Si;测定换气次数N,板材的甲醛释放量,室内空气甲醛本底浓度和室内空间体积V;根据换气次数,计算板材的极限甲醛释放量δi;测定室内空气极限甲醛本底浓度C0;然后...