Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究)
针对城市空气质量监测数据缺失的问题，提出一种基于时空多视图BP 神经网络的数据补全方法。采用指数移动平均、普通克里金和非凸矩阵完备作为时空多视图特征，结合映射非线性关系的BP 神经网络，构建数据补全模型。以北京市36 个站点2014 年5 月1 日至2015 年4 月30 日监测的PM2.5、PM10、NO2、CO、O3 和SO2 6 种空气污染物小时浓度为实验数据。实验结果表明，在15% 缺失率下，随机缺失补全的平均相对误差为 0.102~0.154，时间连续缺失补全的平均相对误差为0.161~0.271，空间连续缺失的补全平均相对误差为0.108~ 0.155，优于典型的单视图预测方法和多...
| Main Authors: | , , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Zhejiang University Press
2019-11-01
|
| Series: | Zhejiang Daxue xuebao. Lixue ban |
| Subjects: | |
| Online Access: | https://doi.org/10.3785/j.issn.1008-9497.2019.06.016 |
| _version_ | 1797235713613234176 |
|---|---|
| author | ZHANGBeina(张贝娜) FENGZhenhua(冯震华) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) ZHOUQin(周芹) |
| author_facet | ZHANGBeina(张贝娜) FENGZhenhua(冯震华) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) ZHOUQin(周芹) |
| author_sort | ZHANGBeina(张贝娜) |
| collection | DOAJ |
| description | 针对城市空气质量监测数据缺失的问题，提出一种基于时空多视图BP 神经网络的数据补全方法。采用指数移动平均、普通克里金和非凸矩阵完备作为时空多视图特征，结合映射非线性关系的BP 神经网络，构建数据补全模型。以北京市36 个站点2014 年5 月1 日至2015 年4 月30 日监测的PM2.5、PM10、NO2、CO、O3 和SO2 6 种空气污染物小时浓度为实验数据。实验结果表明，在15% 缺失率下，随机缺失补全的平均相对误差为 0.102~0.154，时间连续缺失补全的平均相对误差为0.161~0.271，空间连续缺失的补全平均相对误差为0.108~ 0.155，优于典型的单视图预测方法和多视图线性预测方法。研究成果可为城市空气质量数据补全工作提供方法支持，研究思路可为时空数据挖掘提供参考。 |
| first_indexed | 2024-04-24T16:52:20Z |
| format | Article |
| id | doaj.art-aaf08e59f4b4440f832634668008661b |
| institution | Directory Open Access Journal |
| issn | 1008-9497 |
| language | zho |
| last_indexed | 2024-04-24T16:52:20Z |
| publishDate | 2019-11-01 |
| publisher | Zhejiang University Press |
| record_format | Article |
| series | Zhejiang Daxue xuebao. Lixue ban |
| spelling | doaj.art-aaf08e59f4b4440f832634668008661b2024-03-29T01:58:39ZzhoZhejiang University PressZhejiang Daxue xuebao. Lixue ban1008-94972019-11-0146673774410.3785/j.issn.1008-9497.2019.06.016Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究)ZHANGBeina(张贝娜)0https://orcid.org/0000-0001-7225-2109FENGZhenhua(冯震华)1ZHANGFeng(张丰)2DUZhenhong(杜震洪)3https://orcid.org/0000-0001-9449-0415LIURenyi(刘仁义)4ZHOUQin(周芹)5 1.Zhejiang Provincial Key Lab of GIS, Zhejiang University, Hangzhou 310028, China( 1.浙江大学 浙江省资源与环境信息系统重点实验室，浙江 杭州 310028) 3.Beijing SuperMap Software Co. Ltd, Beijing 100015, China( 3.北京超图软件服务有限公司，北京 100015) 1.Zhejiang Provincial Key Lab of GIS, Zhejiang University, Hangzhou 310028, China( 1.浙江大学 浙江省资源与环境信息系统重点实验室，浙江 杭州 310028) 1.Zhejiang Provincial Key Lab of GIS, Zhejiang University, Hangzhou 310028, China( 1.浙江大学 浙江省资源与环境信息系统重点实验室，浙江 杭州 310028) 1.Zhejiang Provincial Key Lab of GIS, Zhejiang University, Hangzhou 310028, China( 1.浙江大学 浙江省资源与环境信息系统重点实验室，浙江 杭州 310028) 3.Beijing SuperMap Software Co. Ltd, Beijing 100015, China( 3.北京超图软件服务有限公司，北京 100015)针对城市空气质量监测数据缺失的问题，提出一种基于时空多视图BP 神经网络的数据补全方法。采用指数移动平均、普通克里金和非凸矩阵完备作为时空多视图特征，结合映射非线性关系的BP 神经网络，构建数据补全模型。以北京市36 个站点2014 年5 月1 日至2015 年4 月30 日监测的PM2.5、PM10、NO2、CO、O3 和SO2 6 种空气污染物小时浓度为实验数据。实验结果表明，在15% 缺失率下，随机缺失补全的平均相对误差为 0.102~0.154，时间连续缺失补全的平均相对误差为0.161~0.271，空间连续缺失的补全平均相对误差为0.108~ 0.155，优于典型的单视图预测方法和多视图线性预测方法。研究成果可为城市空气质量数据补全工作提供方法支持，研究思路可为时空数据挖掘提供参考。https://doi.org/10.3785/j.issn.1008-9497.2019.06.016数据补全时空多视图bp 神经网络城市空气质量 |
| spellingShingle | ZHANGBeina(张贝娜) FENGZhenhua(冯震华) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) ZHOUQin(周芹) Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) Zhejiang Daxue xuebao. Lixue ban 数据补全 时空 多视图 bp 神经网络 城市空气质量 |
| title | Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) |
| title_full | Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) |
| title_fullStr | Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) |
| title_full_unstemmed | Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) |
| title_short | Urban air quality data completion method based on spatio-temporal multi-view BP neural network(基于时空多视图BP 神经网络的城市空气质量数据补全方法研究) |
| title_sort | urban air quality data completion method based on spatio temporal multi view bp neural network 基于时空多视图bp 神经网络的城市空气质量数据补全方法研究 |
| topic | 数据补全 时空 多视图 bp 神经网络 城市空气质量 |
| url | https://doi.org/10.3785/j.issn.1008-9497.2019.06.016 |
| work_keys_str_mv | AT zhangbeinazhāngbèinà urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū AT fengzhenhuaféngzhènhuá urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū AT zhangfengzhāngfēng urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū AT duzhenhongdùzhènhóng urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū AT liurenyiliúrényì urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū AT zhouqinzhōuqín urbanairqualitydatacompletionmethodbasedonspatiotemporalmultiviewbpneuralnetworkjīyúshíkōngduōshìtúbpshénjīngwǎngluòdechéngshìkōngqìzhìliàngshùjùbǔquánfāngfǎyánjiū |