| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 相关研究工作 | 第12-15页 |
| 1.2.1 空气质量估计方法 | 第12-13页 |
| 1.2.2 空气质量预测方法 | 第13-15页 |
| 1.2.3 已有方法存在的挑战 | 第15页 |
| 1.3 研究目标与内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 相关方法和技术 | 第17-26页 |
| 2.1 深度多任务学习 | 第17-19页 |
| 2.2 图嵌入方法LINE | 第19-20页 |
| 2.3 深度神经网络 | 第20-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于深度多任务学习的AQI预测与AQI等级估计 | 第26-49页 |
| 3.1 问题定义 | 第26-29页 |
| 3.2 整体框架 | 第29-30页 |
| 3.3 基于图嵌入方法与卷积神经网络的区域非时序信息表示学习 | 第30-36页 |
| 3.3.1 基于图嵌入方法LINE的区域非时序信息表示学习 | 第31-34页 |
| 3.3.2 基于卷积神经网络的区域非时序信息表示学习 | 第34-36页 |
| 3.4 基于循环神经网络的时序信息表示学习 | 第36-42页 |
| 3.4.1 待预测区域的相关时序信息表示学习 | 第37-41页 |
| 3.4.2 全局影响区域的相关时序信息表示学习 | 第41-42页 |
| 3.4.3 待估计区域的相关时序信息表示学习 | 第42页 |
| 3.5 AQI预测任务 | 第42-44页 |
| 3.6 AQI等级估计任务 | 第44-45页 |
| 3.7 联合训练 | 第45-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第4章 实验评估 | 第49-59页 |
| 4.1 数据集 | 第49-50页 |
| 4.2 实验设置 | 第50-52页 |
| 4.3 实验结果与分析 | 第52-57页 |
| 4.3.1 特征有效性实验 | 第52-53页 |
| 4.3.2 图嵌入方法有效性实验 | 第53-54页 |
| 4.3.3 多任务与单任务对比实验 | 第54-55页 |
| 4.3.4 长短期时序特征有效性实验 | 第55-56页 |
| 4.3.5 相关城市空气质量估计方法对比实验 | 第56-57页 |
| 4.3.6 相关城市空气质量预测方法对比实验 | 第57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间主要的研究成果 | 第66-67页 |
| 致谢 | 第67页 |
