基于时空优化的多尺度卷积神经网络空气质量预测模型
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.11896/jsjkx.200700164

基于时空优化的多尺度卷积神经网络空气质量预测模型

引用
目前针对空气质量数值预测多采用单一站点时间序列特征进行浓度预测,没有考虑空气质量数值的变化受空间特征的影响.针对该问题提出一种基于时空优化的多尺度神经网络(MSCNN-GALSTM)模型用于空气质量预测,利用一维多尺度卷积核(MSCNN)提取空气质量数据中的局部时间关系和空间特征关系,并进行线性拼接融合,得出多站点多特征的相互时空特征关系,结合长短记忆网络(LSTM)处理时间序列的优势,并引入遗传算法(GA)对LSTM网络的参数集进行全局寻优,把多站点多特征的相互时空关系输入至LSTM网络中,进而输出多站点多特征的长期特征依赖关系.最后将MSCNN-GALSTM模型与单一LSTM基准模型和单尺度卷积神经网络模型进行对比,均方根误差(RMSE)下降约11%,平均预测准确率提升约20%.实验结果表明,MSCNN-GALSTM预测模型在空气质量数据预测中特征提取更加全面、层次更深,预测精度更高,并且表现出了更好的泛化能力.

多尺度卷积、空间特征、时空优化、LSTM、预测模型

47

TP183(自动化基础理论)

国家自然科学基金项目;广西教育厅自然科学基金项目;广西职业技术学院自然科学类课题

2020-12-03(万方平台首次上网日期,不代表论文的发表时间)

共6页

535-540

相关文献
评论
暂无封面信息
查看本期封面目录

计算机科学

1002-137X

50-1075/TP

47

2020,47(z2)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn