基于TCN的PM2.5浓度预测模型

作为大气污染主要因素之一的可吸入颗粒物PM_2.5严重影响人类的健康,受到广泛的关注。科学高效地预测PM_2.5有利于人类提前做好防护措施,保护自身安全。为此设计了基于时域卷积神经网络的PM_2.5浓度预测模型,选取中国环境监测总站的全国城市空气质量实时发布平台的数据,对陕西省西安市的PM_2.5浓度进行了预测,并对预测结果进行分析。与长短时记忆神经网络和门控循环单元模型进行对比实验,结果表明时域卷积神经网络在预测PM_2.5浓度中具有较好的性能。     

基于烛台图模式匹配的PM2.5扩散特征的提取

现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测,忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此,提出一种基于烛台图模式匹配(CPM)的PM_2.5(大气细颗粒物污染)扩散特征提取方法。首先,利用基于卷积神经网络(CNN)的卷积思想从大量历史PM_2.5序列中生成基础周期烛台图;然后,通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析;最后,结合CNN在图像识别中的独特优势,形成融合图形特征与时序特征序列的混合模型,判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明,与使用单一时间序列数据的深度卷积神经网络VGG(Visual Geometry Group)相比,基于CPM的提取方法准确率提升了1.9个百分点。可见,基于CPM的方法能有效提取PM_2.5趋势特征,可以用于预测未来污染物浓度周期变化。     

基于随机森林的京津冀地区PM2.5遥感反演及变化分析

大气细颗粒物PM_2.5是影响人类生存环境和身体健康的主要大气环境污染物,研究PM_2.5质量浓度季节变化的规律及空间分布特征,对于大气污染物的预防和治理有着重要的意义。利用2018~2020年MODIS卫星L2级AOD产品、MERRA-2气象数据以及地面站点PM_2.5实测数据,基于改进的随机森林算法,构建AOD-PM_2.5反演模型,对京津冀地区PM_2.5质量浓度进行估算,并分析PM_2.5质量浓度空间分布特征以及季节变化规律。结果表明：①春夏秋冬4组模型决定系数（R²）均值分别为0.78、0.66、0.83、0.83,模拟精度较高。②2018~2020年京津冀地区春夏秋冬四季PM_2.5浓度呈显著的空间分布特征及季节变化规律。其中PM_2.5污染最大值出现在冬季,最小值出现在夏季。③历年同季节相比,京津冀地区PM_2.5污染范围和浓度数值均有所减小,2020春季和秋季PM_2.5污染范围与2018年、2019年相比改善较明显。     

天宫二号数据大气细颗粒物遥感反演

针对天宫二号(TG-2)大气细颗粒物遥感反演及可行性问题,利用TG-2宽波段成像仪的可见近红外波段数据,结合MOD09A1地表反射率产品构建地表反射率库,使用6S传输模型和深蓝算法反演气溶胶光学厚度(aerosol optical depth, AOD),并结合能见度和相对湿度数据对AOD进行订正,利用统计模型估算了鲁豫皖典型地区的大气细颗粒物PM_2.5浓度,并对PM_2.5浓度的空间分布进行分析。结果表明：天宫二号数据在AOD和PM_2.5遥感反演中具有较高的可行性,拟合度分别达到0.910和0.902;经过垂直订正和湿度订正,PM_2.5和AOD之间的相关性大幅度提高;PM_2.5的空间分布呈“污染岛”特征,这在气溶胶排放和扩散研究中起着重要作用。天宫二号PM_2.5反演为区域大气污染监测提供了一种有效手段。     

基于GOCI卫星的大气细颗粒物PM2.5的遥感反演及其时空分布规律研究

随着我国经济的快速发展和城市化进程的加快,大气细颗粒物PM_2.5已经成为影响我国大气环境污染的主要因素之一。利用静止卫星数据可以获取大范围的面状PM_2.5信息,为我国大气环境的监测、治理、预测等提供了不可替代的数据源。以江苏省为研究区,利用静止卫星GOCI数据,在反演逐时气溶胶光学厚度（AOD）的基础上,结合气象因子,利用多元统计分析进行了研究区PM_2.5的遥感反演研究。结果表明：基于AOD的多元统计模型,在估计的PM_2.5浓度和观测值之间表现出良好的一致性,拟合度R ²为0.665 2。在对AOD进行湿度订正后得到的dry AOD进行多元统计建模,预测的PM_2.5浓度与观测值之间的拟合度R ²达到了0.702 6,证明了经过湿度订正后的“干”AOD与PM_2.5之间建立的关系更加可靠。使用GOCI反演的AOD计算PM_2.5浓度,在空间分辨率和时间分辨率上充分体现了GOCI作为静止卫星监测PM_2.5的优势。在空间分分辨率上,基于GOCI卫星获取AOD的空间分辨率为500 m,优于MODIS 10 km的AOD产品;时间分辨率上,基于GOCI获取AOD实现每日自9:00~16:00逐小时监测,优于MODIS每日两次的AOD产品。     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

基于生成对抗网络模型的小样本PM2.5预测

针对目前数据驱动的方法在小样本下PM_2.5预测准确率较低的问题,提出一种基于生成对抗性网络(GAN)模型PME-GAN,用于在线预测PM_2.5浓度值。在生成器中加入长短期记忆网络(LSTM)并用于提取输入数据的时序特征,在判别器中加入多层感知机网络(MLP),通过生成器对PM_2.5浓度值进行预测。与LSTM、GRU、CNN-LSTM和CNN-GRU 4种模型进行对比实验,结果表明,该方法在小样本数据集上具有更高的预测准确率,对保定测试集的后25%数据开始预测,预测效果很好。     

狼群优化的神经网络频谱感知算法

提出了一种基于狼群优化的人工神经网络频谱感知方法,实现了具有神经网络最优结构的神经网络频谱感知算法。该算法在包含自组织神经网络的频谱感知算法的基础上,具体阐述了训练样本的生成,神经网络的训练以及对神经网络训练阶段结束后所得到的权值矩阵运用狼群优化方法进行进一步的优化处理的过程。实验结果表明,狼群优化的自组织神经网络频谱感知算法与自组织神经网络的频谱感知算法相比,具有更好的频谱感知性能。     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

Remote Sensing Retrieval of Atmospheric Fine Particle PM2.5 based on GOCI Satellite and Its Temporal and Spatial Distribution

With the rapid development of China's economy and the acceleration of urbanization, PM_2.5 has become one of the major factors affecting atmospheric environmental pollution in China. The use of geostationary satellite data can obtain a wide range of regional PM_2.5information, providing irreplaceable data sources for China's atmospheric environment monitoring, control, and forecasting. This paper uses the geostationary satellite GOCI data, based on Aerosol Optical Depth (AOD) retrieveal, combined with meteorological factors, and uses multivariate statistical analysis to study the remote sensing retrieval of PM_2.5 in the study area. The results show that the multivariate statistical model based on AOD shows a good agreement between the estimated PM_2.5 concentration and the observed values, and the fitting degreeR ² is 0.665 2. After multivariate statistical modeling of dry AOD obtained after moisture correction of AOD, the fitting degree R² between the predicted concentration of PM_2.5 and the observed value reached 0.702 6, which proved the relationship established betweenthe “dry” AOD after the humidity correction and PM_2.5 is more reliable.The use of GOCI-retrieved AOD to calculate PM_2.5 concentration fully reflects the advantages of GOCI as a geostationary satellite in spatial resolution and temporal resolution. In terms of spatial resolution, the spatial resolution of AOD based on GOCI satellite reachs to 500 meters, which is better than MODIS 10 km AOD product.In terms of temporal resolution,hourly AOD monitoring from 9:00 to 16:00 based on GOCI can be obtained,which is better than MODIS twice daily AOD products.     

改进灰狼算法在土壤墒情监测预测系统中的应用

针对现有的固定端传感器土壤墒情监测预测系统架设成本高、传感器易损坏、预测精度较低等问题,设计并实现了基于非固定无线传感器组网与改进灰狼算法优化神经网络的土壤墒情监测预测系统。系统使用非固定即插即用式传感器蓝牙组网收集墒情数据,使用高精度多源定位接入融合方法进行广域室外高精度定位。在算法方面,针对灰狼算法在迭代中后期易陷入局部最优等问题,提出一种基于末尾探索者策略的改进灰狼算法。首先,根据种群个体适应度值排名,在原有算法个体类型中增加探索者类型。然后,将种群搜索分为三个时期：活跃探索期、周期探索期和种群回归期。最后,在每个时期使用特有的位置更新策略进行探索者位置调整,使得算法在探索初期更具随机性,在探索中后期依然保持一定的解空间搜索能力,从而增强算法的局部最优回避能力。使用标准函数进行算法性能测试,并将该算法应用于优化土壤墒情神经网络预测模型问题,使用某市2号试验田的数据进行实验。实验结果表明,所提算法与直接神经网络预测模型相比,相对误差下降约4个百分点;与传统灰狼算法、粒子群优化（PSO）算法优化模型比较,相对误差下降约1至2个百分点。所提算法拥有更小的误差,更好的局部最优回避能力,能有效提高墒情的预测质量。     

利用改进灰狼算法优化BP神经网络的入侵检测

神经网络技术被广泛应用于网络安全领域,在入侵检测中能够实现网络攻击的主动检测和攻击分类.然而随着恶意攻击的不断演化,神经网络技术存在的弊端日益显现.针对BP神经网络在入侵检测过程中存在的初始值随机性较大以及易陷入局部最优的问题,本文提出一种改进灰狼算法优化BP神经网络的入侵检测模型(IGWO-BP).首先,使用混沌映射初始化种群、设计非线性收敛因子以及动态权重策略对传统灰狼算法进行改进,并以此优化BP神经网络的初始权值和阈值,并运用改进BP神经网络对网络安全数据集进行实际检测.实验结果表明,IGWO-BP模型在NSL-KDD和UNSW-NB15数据集上取得了较优的检测结果,与其它现有模型相比性能也有较大提升.     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

改进收敛因子和比例权重的灰狼优化算法

在分析灰狼优化算法不足的基础上,提出一种改进的灰狼优化算法（CGWO）,该算法采用基于余弦规律变化的收敛因子,平衡算法的全局搜索和局部搜索能力,同时引入基于步长欧氏距离的比例权重更新灰狼位置,从而加快算法的收敛速度。对8个经典测试函数进行仿真实验,结果表明CGWO算法的求解精度更高,稳定性更好。最后以预测谷氨酸菌体生长浓度为例,利用CGWO算法估计Richards模型的参数,以均方根误差和平均绝对误差作为评价指标,与PSO算法、GA算法和VS-FOA算法的结果进行比较,CGWO算法可以有效地估计Richards模型中的参数。     

基于深度聚合神经网络的网约车需求时空热度预测

为解决服务车辆与乘客间的供需不平衡问题,提升服务车辆的运营效率和利润,同时降低乘客等待时间并改善其对服务平台的满意度,针对差异化结构的多维时空数据,提出一种深度聚合神经网络（DANN）模型用于对网约车需求进行预测。首先,通过综合考虑时间、空间和外部环境等多维影响因素,提出了基于周期的时空变量和基于图像点值的空间变量划分方法;其次,依据数据特点构建了不同的子神经网络结构来分别拟合时间变量、空间变量和环境变量与需求间的非线性关系;然后,提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征;最后,分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明,在三个真实数据集上所提模型的R2平均误差仅为9.36%,与卷积长短时记忆网络（FCL-Net）和混合深度学习神经网络（HDLN-Net）模型相比,所提模型的R2分别平均提升了4.6%和5.22%,均方误差（MSE）分别平均降低了27.01%和26.6%。因此,DANN在实际应用中能较大幅度地提升需求预测的准确性,可以作为网约车需求预测的有效手段。