AQI (Air Quality Index) is an important indicator to judge the air quality. Effectively predicting the AQI has positive impact on the control of air pollution. However,the existing AQI prediction methods scarcely consider the weather factors and the influence on the prediction performance of the surrounding cities. In this paper,we propose a community division based AQI prediction method by considering the weather factors and the pollutant factors of the surrounding cities. Firstly,the similarity between cities is computed according to the weather factors. Then,community division is performed on the similarity matrices of each pair of cities. Next,by considering the impact of the surrounding cities of the target city,the city pollutant time series information belonging to the same community is treated as the basis for predicting the AQI of the target city. Finally,nonlinear regression is conducted for predictive modelling. Through the collection and analysis on the air pollution data and weather data of 20 cities in Jiangsu Province,it demonstrates that the proposed method improves greatly in prediction accuracy and performs computational effectively compared with the traditional time series based prediction models.
Keywords:Air Quality Index (AQI)
;
weather factors
;
time series information
;
community division
Yuan Yan, Chen Bolun, Zhu Guochang, Hua Yong, Yu Yongtao. Prediction of Air Quality Index (AQI) based on community division. Journal of nanjing University[J], 2020, 56(1): 142-150 doi:10.13232/j.cnki.jnju.2020.01.016
AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能.
Assessment and prediction of air quality using fuzzy logic and autoregressive models
1
2012
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
Air pollution prediction via multi?label classification
1
2016
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
Linear and nonlinear modeling approaches for urban air quality prediction
1
2012
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于模糊时间序列的空气质量指数预测
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于模糊时间序列的空气质量指数预测
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于改进的思维进化算法与BP神经网络的AQI预测
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于改进的思维进化算法与BP神经网络的AQI预测
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于Storm的AQI实时预测模型
1
2019
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于Storm的AQI实时预测模型
1
2019
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用
1
2018
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于BP神经网络的空气污染指数预测模型研究
1
2013
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
基于BP神经网络的空气污染指数预测模型研究
1
2013
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
Deep learning architecture for air quality predictions
1
2016
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
A comprehensive evaluation of air pollution prediction improvement by a machine learning method
1
2015
... AQI的预测已成为研究热点,越来越多的预测方法被提出,预测准确度也在不断地提高.例如,Carbajal⁃Hernández et al[7]设计了一种新的空气质量评估计算模型来评估可能对城市地区敏感人群造成伤害的有毒化合物,在建模过程中使用igma运算符统计空气质量参数,确定其对空气质量的负面影响.Corani and Scanagatta[8]设计了一种基于贝叶斯网络的多标签分类器对类变量的依赖性进行建模,使用贝叶斯网络评估空气污染物克服某个阈值的概率,提高了预测的准确度.Singh et al[9]进行了线性和非线性建模,其建立的五种建模分别是偏最小二乘回归、多元多项式回归、多层感知器网络、径向基函数网络和广义回归神经网络,使用统计标准参数比较五种不同模型的泛化和预测能力.李博群等[10]通过改进模糊时间序列模型对AQI进行预测,实验表明该思想比传统的时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型的准确率更高.高帅等[11]提出一种改进的思维进化算法,借鉴遗传算法和粒子群算法的优点,优化了思维进化算法的随机性,并通过优化神经网络的初始权值和阈值对AQI进行预测.刘洪通等[12]提出一种基于Storm的空气质量指数的实时预测模型S⁃OKNN(Storm k⁃Nearest Neighbor),通过对KNN(k⁃Nearest Neighbor)算法进行分布式拓展,并且利用Storm的实时流数据计算特点,实现对AQI的实时预测.张春露和白艳萍[13]提出一种基于TensorFlow的LSTM(Long Short⁃Term Memory)模型,可以利用时序数据中长距离依赖信息的能力,对AQI进行预测.白鹤鸣等[14]提出一种基于BP神经网络算法的新模型,利用近十年的北京市地面气象观测资料和空气污染指数数据,构建不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测.Li et al[15]提出一种新的基于时空深度学习的空气质量预测方法,主要考虑空间和时间的相关性,通过贪婪的分层方式进行训练,与传统的时间序列预测模型相比,降低了时间复杂度.Xi et al[16]通过机器学习来改进预测空气污染的方法,充分利用WRF⁃Chem(Weather Research and Forecasting⁃Chemistry)模型对污染物、化学成分的预测,设计综合评价框架,提高预测性能. ...
Meteorological and urban landscape factors on severe air pollution in Beijing