基于时空优化深度神经网络与参数组合寻优的AQI预测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外现状及发展趋势 | 第10-13页 |
| 1.2.1 空气质量模型发展历程 | 第10-11页 |
| 1.2.2 空气质量预测方法研究现状 | 第11-13页 |
| 1.3 论文研究内容与组织结构 | 第13-15页 |
| 第二章 相关理论与分析 | 第15-22页 |
| 2.1 空气质量评价标准 | 第15-16页 |
| 2.2 深度学习优化器 | 第16-20页 |
| 2.3 Keras深度学习库 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于SDAE和网格搜索的空气质量预测模型 | 第22-37页 |
| 3.1 堆栈降噪自编码网络 | 第22-25页 |
| 3.2 多维网格二次搜索法 | 第25-26页 |
| 3.3 实验设置 | 第26-30页 |
| 3.3.1 数据集 | 第26-27页 |
| 3.3.2 数据插值 | 第27-29页 |
| 3.3.3 数据标准化 | 第29页 |
| 3.3.4 性能评估指标 | 第29-30页 |
| 3.4 SDAE-GS预测实验与分析 | 第30-32页 |
| 3.5 时空优化实验与分析 | 第32-36页 |
| 3.5.1 时间优化策略 | 第32-33页 |
| 3.5.2 空间优化策略 | 第33-34页 |
| 3.5.3 时空优化策略 | 第34页 |
| 3.5.4 实验结果与分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于LSTM和烟花算法的空气质量预测模型 | 第37-60页 |
| 4.1 模型分析与改进 | 第37-45页 |
| 4.1.1 RNN模型的优势与问题 | 第38-40页 |
| 4.1.2 LSTM网络结构 | 第40-43页 |
| 4.1.3 Dropout | 第43-45页 |
| 4.2 烟花算法 | 第45-50页 |
| 4.3 LSTM-FWA预测模型 | 第50-54页 |
| 4.4 LSTM-FWA预测实验与分析 | 第54-55页 |
| 4.5 时空优化实验与分析 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60页 |
| 5.2 创新点 | 第60-61页 |
| 5.3 展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录: 研究生阶段成果 | 第68-69页 |
