| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究进展 | 第14-19页 |
| 1.2.1 PM_(2.5)浓度时空特征研究 | 第14-16页 |
| 1.2.2 PM_(2.5)浓度预测研究 | 第16-19页 |
| 1.3 主要研究内容 | 第19-20页 |
| 1.4 论文组织和章节安排 | 第20-22页 |
| 2 基于集成深度学习的PM_(2.5)小时浓度预测模型 | 第22-44页 |
| 2.1 预测问题描述 | 第22-23页 |
| 2.2 基于门控循环单元的循环神经网络模型 | 第23-33页 |
| 2.2.1 循环神经网络介绍 | 第23-25页 |
| 2.2.2 架构设计 | 第25-27页 |
| 2.2.3 激活函数 | 第27-28页 |
| 2.2.4 正则化 | 第28-29页 |
| 2.2.5 自适应学习率算法 | 第29-30页 |
| 2.2.6 其他参数 | 第30-31页 |
| 2.2.7 模型可视化 | 第31-33页 |
| 2.3 基于时序的卷积神经网络模型 | 第33-39页 |
| 2.3.1 卷积神经网络介绍 | 第33-34页 |
| 2.3.2 时序数据的展开 | 第34-35页 |
| 2.3.3 架构设计 | 第35-36页 |
| 2.3.4 卷积模块设计 | 第36-38页 |
| 2.3.5 池化模块设计 | 第38-39页 |
| 2.3.6 其他参数 | 第39页 |
| 2.3.7 模型可视化 | 第39页 |
| 2.4 Stacking集成模型 | 第39-42页 |
| 2.4.1 Stacking集成策略介绍 | 第39-40页 |
| 2.4.2 元学习器设计 | 第40-41页 |
| 2.4.3 集成模型的训练 | 第41-42页 |
| 2.4.4 模型可视化 | 第42页 |
| 2.5 评价指标 | 第42-43页 |
| 2.6 本章小结 | 第43-44页 |
| 3 中国大陆地区PM_(2.5)浓度时空特征分析 | 第44-68页 |
| 3.1 研究区概况及数据来源 | 第44-47页 |
| 3.1.1 研究区概况 | 第44-46页 |
| 3.1.2 数据来源 | 第46-47页 |
| 3.2 PM_(2.5)浓度的时间特征分析 | 第47-53页 |
| 3.2.1 PM_(2.5)浓度的季节变化特征 | 第47-48页 |
| 3.2.2 PM_(2.5)浓度的月度变化特征 | 第48-49页 |
| 3.2.3 PM_(2.5)浓度的周内日变化特征 | 第49-51页 |
| 3.2.4 PM_(2.5)浓度的日内时间段变化特征 | 第51-52页 |
| 3.2.5 PM_(2.5)浓度的日内逐小时变化特征 | 第52-53页 |
| 3.3 PM_(2.5)浓度的空间特征分析 | 第53-67页 |
| 3.3.1 基于近邻分析的PM_(2.5)浓度空间分布特征 | 第53-54页 |
| 3.3.2 基于空间插值的PM_(2.5)浓度空间分布特征 | 第54-58页 |
| 3.3.3 基于空间自相关的PM_(2.5)浓度空间分布特征 | 第58-66页 |
| 3.3.4 基于重心偏移的PM_(2.5)浓度空间分布特征 | 第66-67页 |
| 3.4 本章小结 | 第67-68页 |
| 4 中国大陆地区PM_(2.5)小时浓度预测研究实例 | 第68-85页 |
| 4.1 实验环境与数据预处理 | 第68-69页 |
| 4.2 实验结果与分析 | 第69-84页 |
| 4.2.1 全局视角下的预测结果与分析 | 第69-70页 |
| 4.2.2 城市群视角下的预测结果与分析 | 第70-72页 |
| 4.2.3 城市视角下的预测结果与分析 | 第72-78页 |
| 4.2.4 站点视角下的预测结果与分析 | 第78-84页 |
| 4.3 本章小结 | 第84-85页 |
| 5 总结与展望 | 第85-89页 |
| 5.1 工作总结 | 第85-87页 |
| 5.2 创新点 | 第87页 |
| 5.3 研究展望 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 作者简历 | 第95页 |
