基于神经网络的PM2.5浓度预测研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景和意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-20页 |
| 1.2.1 国内外研究现状总结 | 第19-20页 |
| 1.3 本论文创新点 | 第20页 |
| 1.4 本论文主要工作 | 第20-21页 |
| 1.5 本论文组织结构 | 第21-23页 |
| 第二章 相关技术概述 | 第23-33页 |
| 2.1 污染物预测算法 | 第23-30页 |
| 2.1.1 线性回归算法 | 第23-24页 |
| 2.1.2 人工神经网络 | 第24-26页 |
| 2.1.3 RNN模型 | 第26-27页 |
| 2.1.4 LSTM模型 | 第27-30页 |
| 2.2 TensorFlow框架 | 第30-31页 |
| 2.3 Hive工具介绍 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 PM_(2.5)预测模型研究 | 第33-63页 |
| 3.1 线性回归模型 | 第33-45页 |
| 3.1.1 变量相关性分析 | 第33-38页 |
| 3.1.2 一小时窗口预测 | 第38-42页 |
| 3.1.3 多个时间窗口预测 | 第42-45页 |
| 3.2 BP神经网络模型 | 第45-55页 |
| 3.2.2 数据标准化处理 | 第47页 |
| 3.2.3 初始化网络结构 | 第47-48页 |
| 3.2.4 确定损失函数 | 第48-49页 |
| 3.2.5 确定优化方法 | 第49页 |
| 3.2.6 一小时窗口预测 | 第49-52页 |
| 3.2.7 多个时间窗口预测 | 第52-55页 |
| 3.3 LSTM网络模型预测 | 第55-60页 |
| 3.3.1 确定网络结构 | 第56页 |
| 3.3.2 设定网络参数 | 第56页 |
| 3.3.3 一小时窗口预测 | 第56-58页 |
| 3.3.4 多个时间窗口预测 | 第58-60页 |
| 3.4 三种模型对比 | 第60-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第四章 PM_(2.5)预测模型优化 | 第63-71页 |
| 4.1 BP神经网络模型优化 | 第63-66页 |
| 4.1.1 使用Sigmoid激活函数 | 第63-64页 |
| 4.1.2 使用Relu激活函数 | 第64-66页 |
| 4.2 LSTM模型调优 | 第66-68页 |
| 4.3 预测模型对比验证 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 系统设计实现与功能测试 | 第71-93页 |
| 5.1 系统概述与架构设计 | 第71-74页 |
| 5.1.1 系统概述 | 第71页 |
| 5.1.2 需求分析 | 第71-72页 |
| 5.1.3 系统架构 | 第72-74页 |
| 5.2 预测系统实现 | 第74-83页 |
| 5.2.1 数据采集与存储 | 第74-77页 |
| 5.2.2 数据转化模块 | 第77-80页 |
| 5.2.3 PM_(2.5)预测服务 | 第80-81页 |
| 5.2.4 模型更新模块 | 第81-83页 |
| 5.3 系统功能测试 | 第83-90页 |
| 5.3.1 软硬件环境 | 第83-84页 |
| 5.3.2 系统部署与启动 | 第84-85页 |
| 5.3.3 数据采集和存储测试 | 第85-86页 |
| 5.3.4 数据转化测试 | 第86-88页 |
| 5.3.5 发布预测服务测试 | 第88-89页 |
| 5.3.6 模型自动更新模块测试 | 第89-90页 |
| 5.4 系统非功能测试 | 第90-92页 |
| 5.4.1 可扩展性 | 第90页 |
| 5.4.2 稳定性测试 | 第90-91页 |
| 5.4.3 性能测试 | 第91-92页 |
| 5.5 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-95页 |
| 6.1 论文总结 | 第93页 |
| 6.2 展望 | 第93-95页 |
| 参考文献 | 第95-99页 |
| 致谢 | 第99-101页 |
| 作者简介 | 第101-102页 |
