| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 时间序列模型 | 第14页 |
| 1.2.2 支持向量机模型 | 第14-15页 |
| 1.2.3 统计预报和数值预报 | 第15-16页 |
| 1.3 深度神经网络的构建 | 第16-17页 |
| 1.3.1 神经网络模型 | 第16页 |
| 1.3.2 深度学习预测模型构建 | 第16-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 基于深度学习PM2.5预测模型构建 | 第19-29页 |
| 2.1 神经单元 | 第19-21页 |
| 2.2 深度前馈神经网络 | 第21-22页 |
| 2.3 RNN(循环神经网络) | 第22-23页 |
| 2.4 LSTM(长短时记忆型)循环神经网络 | 第23-28页 |
| 2.4.1 LSTM(长短时记忆型)循环神经网络 | 第23-26页 |
| 2.4.2 改进型LSTM的PM2.5预测模型架构设计 | 第26-28页 |
| 2.5 小结 | 第28-29页 |
| 第3章 深度学习的优化 | 第29-37页 |
| 3.1 损失函数 | 第29页 |
| 3.2 特征选择 | 第29-30页 |
| 3.3 深度学习算法优化 | 第30-32页 |
| 3.4 深度神经网络过拟合解决方法 | 第32-35页 |
| 3.4.1 正则化方法 | 第33-34页 |
| 3.4.2 Dropout | 第34-35页 |
| 3.5 小结 | 第35-37页 |
| 第4章 深度学习模型实验设计 | 第37-47页 |
| 4.1 数据预处理 | 第37-38页 |
| 4.1.1 数据缺失 | 第37页 |
| 4.1.2 数据标准化 | 第37-38页 |
| 4.2 模型性能度量 | 第38-39页 |
| 4.3 LSTM神经网络预测PM2.5模型构建 | 第39-41页 |
| 4.3.1 LSTM神经网络处理PM2.5的流程 | 第39页 |
| 4.3.2 LSTM神经网络处理未来24小时PM2.5的流程 | 第39-40页 |
| 4.3.3 LSTM模型的训练过程 | 第40-41页 |
| 4.4 缺失数据PM2.5预测模型 | 第41-46页 |
| 4.4.1 预测实验步骤 | 第41-43页 |
| 4.4.2 缺失数据神经网络架构 | 第43页 |
| 4.4.3 缺失数据PM2.5预测结果与分析 | 第43-46页 |
| 4.5 小结 | 第46-47页 |
| 第5章 实验结果与分析 | 第47-62页 |
| 5.1 实验概况 | 第47-49页 |
| 5.1.1 实验开发环境 | 第47页 |
| 5.1.2 PM2.5环境空气质量数据的来源 | 第47-48页 |
| 5.1.3 实验数据来源 | 第48-49页 |
| 5.2 相关分析 | 第49-51页 |
| 5.2.1 PM2.5与各空气污染物相关分析 | 第49-50页 |
| 5.2.2 PM2.5与气象因子关联分析 | 第50-51页 |
| 5.3 PM2.5预测模型实验结果与分析 | 第51-56页 |
| 5.3.1 实验模型参数设置 | 第51-52页 |
| 5.3.2 LSTM神经网络层隐藏层和节点数量的对比实验 | 第52-53页 |
| 5.3.3 LSTM神经网络超参数设置实验 | 第53-55页 |
| 5.3.4 LSTM神经网络层迭代 | 第55-56页 |
| 5.4 不同模型对比实验结果与分析 | 第56-61页 |
| 5.4.1 随机森林实验 | 第56-57页 |
| 5.4.2 支持向量机实验 | 第57-58页 |
| 5.4.3 LSTM递归神经网络模型的实验 | 第58-60页 |
| 5.4.4 不同模型的预测对比实验 | 第60-61页 |
| 5.5 小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录A 攻读学位期间所发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |
