基于CRQA分析与优化DBN-ELM的PM2.5预测_李志刚.pdf
《基于CRQA分析与优化DBN-ELM的PM2.5预测_李志刚.pdf》由会员分享,可在线阅读,更多相关《基于CRQA分析与优化DBN-ELM的PM2.5预测_李志刚.pdf(2页珍藏版)》请在咨信网上搜索。
1、基于 CRQA分析与优化 DBN-ELM的 PM2.5 预测李志刚1,2,秦林林1,2,孙婷1,2(1.华北理工大学人工智能学院,河北唐山063210;2.河北省工业智能感知重点实验室,河北唐山063210)摘要:针对现存 PM2.5 预测方案精度不高,且容易受时空尺度多种因素的影响,构建了一种多站点协同的 PM2.5预测方法。在预测部分,采用 TLBO 优化 DBN-ELM 各隐层神经元学习率,进一步提升了它的预测性能。实验结果表明,TS-TDBN-ELM 具有最优的预测性能。关键词:PM2.5 预测时空尺度多站点协同中图分类号:X831文献标识码:A文章编号:2095-0748(2023)
2、01-0295-02引言构建合理的空气质量数据分析与预测模型对我国经济发展具有重要意义。一般情况下,PM2.5 被视为我国大部分地区的最重要的大气污染物之一,且受到时空尺度的影响1-2。因此,本文重点关注多站点协同 下 的 PM2.5 分 析 与 建 模 问 题,进 而 构 建 了TS-TDBN-ELM模型。1理论基础1.1CRQA分析CRQA 能够探究两个非线性信号间相似动力学行为3。首先,将两组空气质量数据重构至高维相空间,观察其在相空间中的运动轨迹距离。然后,采用递归率(Recurrence Rate,RR)、确定性(Determinism,DET)、层流性(Laminarity,LAM
3、)和平均对角线长度(Mean Diagonal length,MDL)四个指标对二者之间的动力学特性进行定量测度,筛选出影响 PM2.5 的主要因素,作为后续预测模型的输入。1.2TDBN-ELM模型此部分采用 DBN-ELM模型对 PM2.5 进行多输入单输出预测。其中,采用 DBN对 CRQA筛选出的因素进行关键特征提取,将提取后的数据特征输入ELM中,完成最终 PM2.5 预测。为进一步提升预测性能,引入了 TLBO 算法,对 DBN-ELM中各个隐藏层神经元的学习率进行优化。2实验仿真2.1数据来源与评估指标实验选取目标站点天坛(Tiantan,TT)、临近站点万 寿 西 宫(Wang
4、shouxi,WSX)与 临 近 站 点 官 园(Guanyuan,GY)4。数据包含 12 种因素,分别为 PM2.5、PM10、SO2、NO2、CO、O3、温 度(Temperature,T)、气 压(Pressure,P)、露点温度(DewPoint Temperature,DT)、雨量(Rain,R)、风向(Wind Direction,WD)与风速(Wind Speed,WS)。为验证模型的有效性,采用归一化均方根误差(Normalized Root Mean Squared Error,NRMSE)、平均绝对误差(Mean Absolute Error,MAE)、决定系数(Coef
5、ficient of Determination,CD)评估模型性能。2.2CRQA分析下页表 1 给出了多站点中因素对 TTPM2.5 的相似性度量指标值,与 TTPM2.5 相似性最强的因素已加粗显示。RR 值越高,表明当前因素与 TTPM2.5 出现的相似性概率越高。可以看到,在该指标下,三个站点中的 R 与 TTPM2.5 间相似性最强。DET越高,表明各个因素与 TTPM2.5 之间相似动态的确定性越强。由下页表 1 可知,T与 TTPM2.5 间相似状态具有更高的规律性和可预测性。LAM度量了 PM2.5 与各个影响因素之间的同步性,其值越高,表示运动状态的同步时间就越长。在三个站
6、点中,CO、T、T 分别与 TTPM2.5之间的同步性最高。MDL 是度量不同因素与 PM2.5之间相似性的重要指标。可以看到 R、T 与 TTPM2.5保持着较高的相似性。综合四种指标,确定影响TTPM2.5 的主要因素,分别为 TT,SO2、CO、T、P、DT 与R;WSX,O3、T、DT与 R;GY,CO、T、DT与 R。上述因素与 TTPM2.5 共同作为预测模型输入。下页图 1 给出了时空尺度下基于 PM2.5 序列的预测曲线与实际曲线对比结果。可以看出,SVM与 ELM模型的 PM2.5 预测曲线与实际 PM2.5 曲线的拟合度较差。从下页图1可以看到,DBN-ELM与TS-TDB
7、N-ELM模型在相应时间步上的 PM2.5 预测曲线与实际PM2.5 曲线的变化趋势较为一致。下页表 2 给出了时空尺度下多种模型的预测性能对比结果。由下页表 2可得,TS-TDBN-ELM预测算法的 NRMSE、MAE 指标收稿日期:2022-04-26基金项目:河北省高等学校科学技术研究项目(ZD2021088);国家重点研发计划项目(2017FE0135700)作者简介:李志刚(1966),男,博士,教授,研究领域为人工智能、智能控制;秦林林(1996),女,硕士研究生在读,研究领域为递归图、机器学习;孙婷(1997),女,硕士研究生在读,研究领域为深度学习、海洋环境数据分析处理。总第
8、223 期2023 年第 1 期现代工业经济和信息化Modern Industrial Economyand InformationizationTotal 223No.1,2023DOI:10.16525/ki.14-1362/n.2023.01.116经验交流现代工业经济和信息化第 13 卷图 1模型预测 PM2.5 曲线与实际 PM2.5 曲线对比表 1TT 中 PM2.5 与其他站点其他影响因素 CRQA测度站点CRQAPM10SO2NO2COO3TPDTRWDWSTTRR0.045 60.033 60.038 70.080 80.020 90.051 00.011 10.037 20
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CRQA 分析 优化 DBN ELM PM2 预测 李志刚
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。