典型文献
一种卷积自编码深度学习的空气污染多站点联合预测模型
文献摘要：
城市空气污染因空间扩散特性呈现出区域内的浓度高关联性.因此如何通过多个空气污染监测站的时空数据预测特定目标地点的污染情况,以解决站点分布不匀的问题,是一个重要的研究工作.本文结合空气污染物因素特性和气象因素的多维度影响,提出了一个利用区域内多站点空间监测数据实现特定目标站点的空气污染物浓度预测模型.该模型通过多层卷积神经网络(Convolutional Neural Network,CNN)实现城市多站点污染物浓度与气象数据之间的维度关联特征及空间关联特征学习,进而利用基于多层长短期记忆网络(Long Short-Term Memory,LSTM)的自编码网络实现多站点浓度的时序关联特征分析.实验通过真实数据集验证,所提出的预测模型获得了高于传统机器学习污染物浓度预测模型的预测准确度,且在多个城市数据集上验证了模型的泛化能力.
文献关键词：
深度学习;空气污染;时空数据;多站点联合预测;卷积神经网络;长短期记忆网络
中图分类号：
作者姓名：
张波;陆云杰;秦东明;邹国建
作者机构：
上海师范大学信息与机电工程学院,上海200234;上海智能教育大数据工程技术研究中心,上海200234;同济大学电子与信息工程学院,上海201804;中科三清科技有限公司,北京100089
文献出处：
引用格式：
[1]张波;陆云杰;秦东明;邹国建-.一种卷积自编码深度学习的空气污染多站点联合预测模型)[J].电子学报,2022(06):1410-1427
A类：
多站点联合预测,时空数据预测
B类：
卷积自编码,城市空气污染,空间扩散,扩散特性,空气污染监测,监测站,特定目标,污染情况,气象因素,点空间,空间监测,空气污染物浓度预测,多层卷积神经网络,Convolutional,Neural,Network,气象数据,关联特征,空间关联,特征学习,长短期记忆网络,Long,Short,Term,Memory,自编码网络,时序关联,真实数据,数据集验证,预测准确度,城市数据,泛化能力
AB值：
0.306232
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。
