基于深度学习的城市空气质量指数预测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 预测目标研究现状 | 第12-14页 |
| 1.2.2 空气质量预测模型研究现状 | 第14-16页 |
| 1.3 论文研究工作 | 第16-17页 |
| 1.3.1 研究目标 | 第16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第2章 空气质量相关概念及理论 | 第19-24页 |
| 2.1 空气质量评价标准 | 第19-20页 |
| 2.2 空气质量指数的计算方法 | 第20-21页 |
| 2.2.1 公式法 | 第20页 |
| 2.2.2 快速查表法 | 第20-21页 |
| 2.3 AQI等级划分 | 第21-22页 |
| 2.4 地理空间距离计算 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 数据处理相关方法 | 第24-31页 |
| 3.1 数据缺失处理 | 第24-28页 |
| 3.1.1 数据缺失产生机制 | 第24-25页 |
| 3.1.2 传统的缺失处理方法 | 第25页 |
| 3.1.3 组合缺失处理方法 | 第25-28页 |
| 3.2 数据标准化方法 | 第28-29页 |
| 3.2.1 Min-Max标准化 | 第28页 |
| 3.2.2 Z-score标准化 | 第28-29页 |
| 3.2.3 Max-Abs标准化 | 第29页 |
| 3.3 Pearson相关分析法 | 第29-30页 |
| 3.4 时间序列样本数据 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 深度循环神经网络 | 第31-43页 |
| 4.1 神经网络 | 第31-33页 |
| 4.1.1 神经网络的构成 | 第31页 |
| 4.1.2 神经元的模型 | 第31-33页 |
| 4.2 BP神经网络 | 第33-36页 |
| 4.2.1 BP算法 | 第33-36页 |
| 4.2.2 BP网络的训练 | 第36页 |
| 4.3 循环神经网络 | 第36-40页 |
| 4.3.1 循环神经网络的结构 | 第36-37页 |
| 4.3.2 LSTM网络 | 第37-39页 |
| 4.3.3 LSTM变体—GRU网络 | 第39-40页 |
| 4.4 深度循环神经网络结构 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 基于深度循环神经网络的AQI预测模型 | 第43-55页 |
| 5.1 模型整体框架 | 第43-44页 |
| 5.2 数据集来源及分析 | 第44-48页 |
| 5.2.1 空气质量监测站信息 | 第44-45页 |
| 5.2.2 气象站信息 | 第45-46页 |
| 5.2.3 数据集划分 | 第46页 |
| 5.2.4 空间距离匹配 | 第46页 |
| 5.2.5 AQI与各影响因素的相关性分析 | 第46-48页 |
| 5.3 模型准备 | 第48-50页 |
| 5.3.1 模型结构及参数设置 | 第48-50页 |
| 5.3.2 实验环境 | 第50页 |
| 5.4 评价指标 | 第50页 |
| 5.5 实验结果 | 第50-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 创新点 | 第55-56页 |
| 6.3 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者简介 | 第63-64页 |
| 攻读硕士学位期间研究成果 | 第64页 |
