典型文献
基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测
文献摘要：
提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU)可记忆时间序列中长期信息的优势进行时序预测以保证结果的稳定性.对集成SVR-CNN-GRU模型,以2015年1月1日至2020年4月10日武汉及其周边13城市的空气质量数据和地面气象数据为样本进行实例验证,结果表明,SVR-CNN-GRU在武汉市PM2.524 h预测上的表现明显优于集成之前的RNN、SVR和随机森林回归方法,而且泛化能力更强,拟合优度达到0.97,能够实现高准确度预测,达到提前24 h预警的目的.
文献关键词：
PM2.5浓度预测;循环神经网络;支持向量机;深度学习;集成学习
中图分类号：
作者姓名：
韦惠红;李剑;张文言;雷建军;陈璇
作者机构：
武汉中心气象台,武汉430074;湖北第二师范学院计算机学院,武汉430205
文献出处：
引用格式：
[1]韦惠红;李剑;张文言;雷建军;陈璇-.基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测)[J].华中师范大学学报（自然科学版）,2022(02):262-269
A类：
B类：
集成学习,PM2,准确预测,重污染天气,高深,深度学习模型,泛化能力,循环神经网络,RNN,支持向量回归,SVR,下采样,采样层,非线性特征,多核,特征表达,表达能力,门控循环网络,GRU,时序预测,空气质量,质量数据,地面气象,气象数据,武汉市,随机森林回归,拟合优度,高准确度,浓度预测
AB值：
0.357834
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
