基于LSTM的环境污染时间序列预测模型的研究

论文摘要

随着工业的发展与汽车的普及,空气污染问题日益严重。如何对空气中污染成分进行准确的预测,对环境污染的治理具有重要意义。传统的时序预测方法存在预测误差大、耗时较长等不足。随着深度学习的发展,通过使用基于神经网络的方法可以准确分析空气中各污染成分。以环境污染状况为研究对象,研究一种基于神经网络的高效时序数据预测方法具有深刻的研究意义与实际应用价值。设计了一个更高效的长短期记忆神经网络。优化神经网络的逻辑架构,通过网格搜索算法对相关参数进行选取。探究不同的参数对预测结果的影响。选择相应的激活函数、损失函数、神经元数目等参数以降低误差和时间消耗。将新构建的神经网络模型与LSTM和GRU等神经网络对比,观察误差和时间消耗是否降低。验证多层的网络模型是否优于单层网络模型,并对预测的误差进行评价。改进后的预测模型使用堆叠式的,根据数据的特点选择LSTM的层数,通过调整各个参数来优化模型。且该模型主要对时序数据进行预测,以环境污染数据为例,通过实验结果表明:相比于RNN、LSTM、GRU等神经网络,改进后的神经网络预测的误差率更低,时间也相对缩短,更适合对环境污染时序数据进行预测。同时也使用了其他样本数据对神经网络进行验证,检验神经网络的普遍适用性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究现状
•   1.3 本文研究内容
•   1.4 本文组织结构
• 2 相关理论研究基础
•   2.1 时间序列分析
•   2.2 ARIMA
•   2.3 RNN神经网络
•   2.4 LSTM神经网络
•   2.5 本章小结
• 3 改进的LSTM神经网络
•   3.1 改进的LSTM单元结构
•   3.2 pLSTM的训练
•   3.3 梯度下降的优化
•   3.4 本章小结
• 4 模型的构建
•   4.1 数据的预处理
•   4.2 激活函数的选择
•   4.3 过拟合问题的解决
•   4.4 基于网格搜索的模型参数优选
•   4.5 模型的搭建与预测
•   4.6 本章小结
• 5 实验及结果分析
•   5.1 实验环境与数据
•   5.2 度量指标
•   5.3 相关系数分析
•   5.4 实验结果与分析
•   5.5 本章小结
• 6 总结与展望
•   6.1 全文总结
•   6.2 课题展望
• 致谢
• 参考文献

文章来源

类型: 硕士论文

作者: 曾豪

导师: 江胜

关键词: 深度学习,神经网络,长短期记忆网络,环境污染,时间序列

来源: 华中科技大学

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 数学,环境科学与资源利用

单位: 华中科技大学

分类号: X51;O211.61

总页数: 62

文件大小: 1757K

下载量: 563