基于 PSO 调节的三种深度学习模型在北京 PM2.5 预测中的参数优化
该研究提出了一种基于深度学习的新型空气质量(主要是 PM2.5)预测模型,该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征,并在两个实际数据集上进行了实验验证,表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。
Dec, 2018
提出了一种双重深度神经网络(D-DNet)预测与数据同化系统,能够高效整合实时观测,确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀,在 2019 年整年内保持一致的准确性,并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性,同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。
Jun, 2024
研究探讨了气候因素对空气质量的影响,通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示,采暖度日增加与空气污染水平增加之间存在相关性,这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性,相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献,有助于决策者制定有效的数据驱动型气候政策。
May, 2024
通过比较分析深度学习技术与启发式优化算法结合在天气预报中的性能,并评估不同模型架构在各指标下的表现,本文揭示了启发式优化算法在提高天气预报准确性方面的潜力。该研究还强调了利用高级优化技术选择适合特定天气预报任务的最佳启发式优化算法的重要性。
Sep, 2023
本文提出了一种新的解决方案,利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征,并采用高效的计算框架,通过对一个真实的用电需求数据集进行严格评估,实验结果表明,该方法在准确性、鲁棒性和计算效率方面具有显著优势,其平均绝对百分比误差为 1.9376,相较于现有最先进的方法标志着短期负荷预测的新时代的开启。
Sep, 2023
本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度,能够捕捉 PM2.5 过程中的细粒度和长期影响,并已在真实数据集上得到验证,可提供免费预测服务。
Feb, 2020
本研究比较了传统方法和新兴神经网络方法的时间序列预测性能,使用了各种度量标准来评估它们的性能,结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好,且其预测能力不会因训练数据量减少而降低。这表明,将深度学习方法纳入预测场景中显著优于传统方法,并可处理复杂的数据集,在天气预报和其他时间序列应用等各种领域具有潜在应用。
Jun, 2023
本文选用六种模型(灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型)对中国所有部门(电力、工业、地面交通、住宅、国内航空、国际航空)在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测,结果表明长短时记忆模型具有最佳的预测性能。
Feb, 2023
大气氮氧化物主要来自燃料燃烧,会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架,结合了传输模型和机器学习的优势,可以准确预测 NO2 和 NOx 的地面浓度,并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。
Aug, 2023