Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测)
针对目前大部分PM2.5 预测模型预测效果不稳定、泛化能力不强的现状，以记忆能力较强的循环神经网络（RNN） 和特征表达能力较强的卷积神经网络（CNN） 为基础，采取Stacking 集成策略对两者进行融合，提出了RNN-CNN 集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度，而且在不同层次上将自动提取的高维时序数据通用特征用于预测，以保证预测结果的稳定性。最后，对集成之前的 RNN、CNN 和集成之后的RNN-CNN 模型，以2016 年中国大陆地区1 466 个监测站点的空气质量数据为样本进行实例验证，结果表明，RNN-CNN 在PM2.5 时间序列预测上的...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Zhejiang University Press
2019-05-01
|
| Series: | Zhejiang Daxue xuebao. Lixue ban |
| Subjects: | |
| Online Access: | https://doi.org/10.3785/j.issn.1008-9497.2019.03.016 |
| _version_ | 1797235716798808064 |
|---|---|
| author | HUANGJie(黄婕) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) CAOXiaopei(曹晓裴) |
| author_facet | HUANGJie(黄婕) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) CAOXiaopei(曹晓裴) |
| author_sort | HUANGJie(黄婕) |
| collection | DOAJ |
| description | 针对目前大部分PM2.5 预测模型预测效果不稳定、泛化能力不强的现状，以记忆能力较强的循环神经网络（RNN） 和特征表达能力较强的卷积神经网络（CNN） 为基础，采取Stacking 集成策略对两者进行融合，提出了RNN-CNN 集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度，而且在不同层次上将自动提取的高维时序数据通用特征用于预测，以保证预测结果的稳定性。最后，对集成之前的 RNN、CNN 和集成之后的RNN-CNN 模型，以2016 年中国大陆地区1 466 个监测站点的空气质量数据为样本进行实例验证，结果表明，RNN-CNN 在PM2.5 时间序列预测上的表现明显优于集成之前的RNN 和CNN，而且泛化误差更低，在34% 站点上的拟合度超过0.97，该模型可用于大范围区域的PM2.5小时浓度预测。 |
| first_indexed | 2024-04-24T16:52:23Z |
| format | Article |
| id | doaj.art-b1758cd2f6ec4781819d2b325666ddc2 |
| institution | Directory Open Access Journal |
| issn | 1008-9497 |
| language | zho |
| last_indexed | 2024-04-24T16:52:23Z |
| publishDate | 2019-05-01 |
| publisher | Zhejiang University Press |
| record_format | Article |
| series | Zhejiang Daxue xuebao. Lixue ban |
| spelling | doaj.art-b1758cd2f6ec4781819d2b325666ddc22024-03-29T01:58:39ZzhoZhejiang University PressZhejiang Daxue xuebao. Lixue ban1008-94972019-05-0146337037910.3785/j.issn.1008-9497.2019.03.016Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测)HUANGJie(黄婕)0https://orcid.org/0000-0003-4257-9666ZHANGFeng(张丰)1https://orcid.org/0000-0003-1475-8480DUZhenhong(杜震洪)2LIURenyi(刘仁义)3CAOXiaopei(曹晓裴)4 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) 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)针对目前大部分PM2.5 预测模型预测效果不稳定、泛化能力不强的现状，以记忆能力较强的循环神经网络（RNN） 和特征表达能力较强的卷积神经网络（CNN） 为基础，采取Stacking 集成策略对两者进行融合，提出了RNN-CNN 集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度，而且在不同层次上将自动提取的高维时序数据通用特征用于预测，以保证预测结果的稳定性。最后，对集成之前的 RNN、CNN 和集成之后的RNN-CNN 模型，以2016 年中国大陆地区1 466 个监测站点的空气质量数据为样本进行实例验证，结果表明，RNN-CNN 在PM2.5 时间序列预测上的表现明显优于集成之前的RNN 和CNN，而且泛化误差更低，在34% 站点上的拟合度超过0.97，该模型可用于大范围区域的PM2.5小时浓度预测。https://doi.org/10.3785/j.issn.1008-9497.2019.03.016pm2.5小时浓度预测rnncnn深度学习集成学习 |
| spellingShingle | HUANGJie(黄婕) ZHANGFeng(张丰) DUZhenhong(杜震洪) LIURenyi(刘仁义) CAOXiaopei(曹晓裴) Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) Zhejiang Daxue xuebao. Lixue ban pm2.5小时浓度预测 rnn cnn 深度学习 集成学习 |
| title | Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) |
| title_full | Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) |
| title_fullStr | Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) |
| title_full_unstemmed | Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) |
| title_short | Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测) |
| title_sort | hourly concentration prediction of pm2 5 based on rnn cnn ensemble deep learning model 基于rnn cnn 集成深度学习模型的pm2 5小时浓度预测 |
| topic | pm2.5小时浓度预测 rnn cnn 深度学习 集成学习 |
| url | https://doi.org/10.3785/j.issn.1008-9497.2019.03.016 |
| work_keys_str_mv | AT huangjiehuángjié hourlyconcentrationpredictionofpm25basedonrnncnnensembledeeplearningmodeljīyúrnncnnjíchéngshēndùxuéxímóxíngdepm25xiǎoshínóngdùyùcè AT zhangfengzhāngfēng hourlyconcentrationpredictionofpm25basedonrnncnnensembledeeplearningmodeljīyúrnncnnjíchéngshēndùxuéxímóxíngdepm25xiǎoshínóngdùyùcè AT duzhenhongdùzhènhóng hourlyconcentrationpredictionofpm25basedonrnncnnensembledeeplearningmodeljīyúrnncnnjíchéngshēndùxuéxímóxíngdepm25xiǎoshínóngdùyùcè AT liurenyiliúrényì hourlyconcentrationpredictionofpm25basedonrnncnnensembledeeplearningmodeljīyúrnncnnjíchéngshēndùxuéxímóxíngdepm25xiǎoshínóngdùyùcè AT caoxiaopeicáoxiǎopéi hourlyconcentrationpredictionofpm25basedonrnncnnensembledeeplearningmodeljīyúrnncnnjíchéngshēndùxuéxímóxíngdepm25xiǎoshínóngdùyùcè |