论文部分内容阅读
近年来,随着我国经济的快速发展以及城市化进程的快速推进,空气污染问题愈发的严重。空气污染不仅严重影响人们的日常生活和身心健康,同时对社会的可持续发展也带来了巨大的阻碍,已经引起了社会各界的高度重视。因此,对空气质量进行精确的评价与预测具有重要的现实意义和社会价值。随着大数据和人工智能技术的兴起,传统的空气质量预测方法已经不能满足对大数据进行智能化处理的需求,许多学者开始基于大数据,利用智能化的方法对空气质量进行评价与预测。深度学习是人工智能技术的重要分支,具有强大的特征提取和数据拟合能力,在图像识别和分类预测等方面具有广泛的应用。鉴于此,本文将深度学习引入到空气质量预测中,用西安市2013年11月至2019年2月的空气质量监测数据构建训练样本库,以深度信念网络（DBN）和自动编码器（AE）为基础,构建了DBN、DBN-ELM和DAE-BP三个基于深度学习的空气质量预测模型。主要研究内容如下:（1）通过对国内外相关文献的调研,选取CO、NO2、SO2、O3、PM2.5、PM10六种污染物作为空气质量预测模型的评价因子,空气质量指数（AQI）作为模型的目标变量。（2）对本文原始试验数据集进行清洗和填充等预处理操作,构建空气质量预测模型训练样本库。（3）针对传统的回归模型和浅层机器学习算法在空气质量预测中的不足,本文利用深度信念网络强大的特征提取能力,构建了一种基于深度信念网络（DBN）的空气质量预测模型,试验结果表明,本文构建的模型相比传统的预测算法有着更好的预测效果,验证了深度信念网络在空气质量预测上的有效性,为空气质量的预测研究提供了新的思路。（4）针对传统的深度信念网络（DBN）在特征提取与参数训练存在的不足,将交叉熵稀疏惩罚因子机制引入到DBN的特征提取过程中,将DBN与ELM算法进行结合,提出了一种基于DBN-ELM算法的空气质量预测模型。试验结果表明,本文构建的方法相比传统的深度信念网络与传统的浅层机器学习预测算法有着更好的预测效果。（5）将深度自动编码器（DAE）和BP神经网络相结合,构建了一种基于DAE-BP算法的空气质量预测模型。首先将多个自编器（AE）堆叠在一起构建深层特征提取器（DAE）逐层的对空气质量数据集进行特征提取;然后将提取的特征输入到BP神经网络,用自编码器网络的权值来初始化BP神经网络;最后通过BP神经网络的反向传播算法对模型进行参数的调节和优化,实现空气质量的准确的预测。试验结果表明,DAE-BP模型相比与传统的浅层机器学习预测算法有着更好的分类预测效果,证明了深度自编码器模型在空气质量预测中的有效性。本文构建的DBN、DAE-BP、DBN-ELM三个基于深度学习的空气质量评价预测模型,为空气质量预测提供了新的思路,为空气污染的治理和人们日常生活的指导提供了新的理论依据和预测方法。