| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要内容 | 第13-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 相关技术介绍 | 第16-28页 |
| 2.1 传统时间序列预测方法 | 第16-21页 |
| 2.1.1 时间序列 | 第16-17页 |
| 2.1.2 基于统计学的时间序列分析 | 第17-20页 |
| 2.1.3 基于回归模型时间序列分析 | 第20-21页 |
| 2.2 深度学习 | 第21-26页 |
| 2.2.1 深度学习概念介绍 | 第21-22页 |
| 2.2.2 深度学习流程 | 第22-23页 |
| 2.2.3 损失函数 | 第23-24页 |
| 2.2.4 神经网络优化算法 | 第24-25页 |
| 2.2.5 模型性能度量方法 | 第25-26页 |
| 2.3 TensorFlow介绍 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 空间转换方法 | 第28-38页 |
| 3.1 问题描述与研究区域概况 | 第28-30页 |
| 3.2 方法介绍 | 第30-35页 |
| 3.2.1 空域划分 | 第31-32页 |
| 3.2.2 空域聚集 | 第32-33页 |
| 3.2.3 空域插值 | 第33页 |
| 3.2.4 反距离加权方法 | 第33-35页 |
| 3.3 方法流程与框架 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于深度学习的空气质量预测模型 | 第38-62页 |
| 4.1 数据预处理 | 第38-44页 |
| 4.1.1 数据来源 | 第38-40页 |
| 4.1.2 数据补全 | 第40页 |
| 4.1.3 数据标准化 | 第40-43页 |
| 4.1.4 数据相关性 | 第43-44页 |
| 4.2 前向传播算法神经网络模型 | 第44-47页 |
| 4.3 基于RNN网络的空气质量预测模型 | 第47-54页 |
| 4.3.1 循环神经RNN网络 | 第47-50页 |
| 4.3.2 激活函数 | 第50-51页 |
| 4.3.3 过拟合优化 | 第51-53页 |
| 4.3.4 学习率优化算法 | 第53-54页 |
| 4.4 基于LSTM/GRU网络的空气质量预测模型优化 | 第54-61页 |
| 4.4.1 LSTM模型结构 | 第54-56页 |
| 4.4.2 GRU模型 | 第56-57页 |
| 4.4.3 模型架构 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 实验与结果分析 | 第62-72页 |
| 5.1 实验环境 | 第62-63页 |
| 5.1.1 硬件与系统配置 | 第62页 |
| 5.1.2 参数设置 | 第62-63页 |
| 5.2 实验过程 | 第63-64页 |
| 5.3 结果分析 | 第64-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 未来展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文目录 | 第78页 |