| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内研究现状 | 第9-10页 |
| 1.3 国外研究现状 | 第10页 |
| 1.4 本论文主要工作 | 第10-11页 |
| 1.5 本论文结构安排 | 第11-13页 |
| 2 相关技术介绍 | 第13-23页 |
| 2.1 Python简介 | 第13页 |
| 2.2 TensorFlow框架 | 第13-16页 |
| 2.3 循环神经网络 | 第16-19页 |
| 2.4 LSTM神经网络 | 第19-23页 |
| 3 构建神经网络预测模型 | 第23-36页 |
| 3.1 数据的获取与处理 | 第23-27页 |
| 3.1.1 空气质量等级的处理 | 第23-24页 |
| 3.1.2 PM_(2.5)浓度与其他污染物相关性分析 | 第24-25页 |
| 3.1.3 数据预处理 | 第25-27页 |
| 3.2 损失函数 | 第27-28页 |
| 3.3 评价指标 | 第28-29页 |
| 3.4 参数设定 | 第29-34页 |
| 3.4.1 迭代次数 | 第30-31页 |
| 3.4.2 LSTM单元数 | 第31-32页 |
| 3.4.3 忘记偏置参数 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 神经网络预测模型优化 | 第36-51页 |
| 4.1 时间步长 | 第36-39页 |
| 4.2 优化器的选择 | 第39-46页 |
| 4.2.1 SGD优化算法 | 第39-40页 |
| 4.2.2 Momentum优化算法 | 第40-43页 |
| 4.2.3 Adam优化算法 | 第43-46页 |
| 4.3 剪枝函数 | 第46-49页 |
| 4.3.1 剪枝简介 | 第46-47页 |
| 4.3.2 剪枝的作用 | 第47页 |
| 4.3.3 Dropout算法工作流程 | 第47-48页 |
| 4.3.4 剪枝函数的应用 | 第48-49页 |
| 4.4 利用LSTM神经网络预测 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 搭建ARIMA预测模型 | 第51-57页 |
| 5.1 ARIMA模型简介 | 第51-56页 |
| 5.1.1 AR模型预测 | 第54页 |
| 5.1.2 MA模型预测 | 第54-55页 |
| 5.1.3 ARIMA模型预测 | 第55-56页 |
| 5.2 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 不足与改进 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |