-
公开(公告)号：CN117332344A
公开(公告)日：2024-01-02
申请号：CN202311051456.6
申请日：2023-08-21
Applicant: 北京工业大学
IPC: G06F18/2433 , G01N33/00 , G06F18/2321 , G06F18/15 , G06N3/088 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于误差优化自动编码器模型的空气质量异常检测方法，该方法第一阶段首先进行误差优化训练，获得空气质量异常检测数据集的无监督聚类；其次，使用不同策略从空气质量异常检测数据集的无监督聚类中挑选可能的离群值实例，并构建空气质量正常数据集；最后，在空气质量正常数据集上应用深度自动编码器模型以优化其重建误差。第二阶段，本发明构建一种基于EOA模型的空气质量异常检测方法，使用空气质量异常检测数据集对该模型进行训练和验证。本发明提出的误差优化自动编码器模型可优化深度自动编码器模型，在计算重建误差时只使用空气质量正常数据集，提升空气质量异常检测效果。
-
公开(公告)号：CN113724792A
公开(公告)日：2021-11-30
申请号：CN202110877668.4
申请日：2021-08-01
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于相关性分析的病毒扩散与气候因素关系分析方法，利用多元线性回归方法开展一系列验证，建立多元回归方程；利用Pearson相关系数评定各个气候因素对新增确诊人数影响的相对重要性以及各个自变量与因变量之间的相关系数，寻找其中的线性关系，判定各观测变量之间的相关性。利用修正决定系数对病毒气候因素关系模型进行效能判定，明确各个国家的多元线性回归模型与真实数据的拟合程度。本发明依托此模型预测得到新增确诊人数可以指导各国家做出不同严格等级的防控举措。此外，可以给全球的国家提出气候因素防控建议，通过针对温度、湿度等适宜病毒生存的因素来采取积极措施进行防控。
-
公开(公告)号：CN117077843A
公开(公告)日：2023-11-17
申请号：CN202310928623.4
申请日：2023-07-27
Applicant: 北京工业大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/0455 , G06F18/214 , G06Q50/26
Abstract: 本发明公开了基于CBAM‑CNN‑Transformer的时空注意力细粒度PM2.5浓度预测方法。通过结合注意力机制和卷积神经网络技术实现PM2.5浓度细粒度预测。首先，利用研究区域兴趣点POI数据对所有监测站点进行分类，划分为商业区、住宅区、工业区和交通区站点四类。其次，不仅考虑监测站点间的时空相关性，还综合考虑了气象数据、不同天但同一时刻的空气污染物浓度对当前时刻PM2.5浓度的影响。利用空间注意力模块协助CNN有效地挖掘污染物数据与气象数据之间的特征关系，以深入获取PM2.5浓度的空间分布特征。利用Transformer有效地捕捉长距离时间序列之间的时间依赖性，得到当前时刻空气污染物浓度。最后，通过空气污染投诉语料数据，对监测站点污染物浓度异常值进行了解释性分析。
-
Patent Agency Ranking
公开(公告)号：CN114611399A
公开(公告)日：2022-06-10
申请号：CN202210268175.5
申请日：2022-03-17
Applicant: 北京工业大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，该方法综合气象和其他污染物影响因素，提出了基于自然梯度提升的PM2.5浓度预测模型，以提升长时间序列PM2.5浓度预测的精度。使用Isolation Forest算法对采集到的目标站点空气污染物及气象数据进行了异常值判定、通过斯皮尔曼相关系数进行特征选择等预处理作为总数据集；提出数据时序离散化方法，使用所有天中同一小时的数据构成模型输入。然后进行了数据规范化、数据集划分比例、阈值等参数调优实验进行模型优化。最后将离散化后的多维数据集采用NGBoost算法，得出对目标站点未来一天PM2.5浓度的小时级精确化预测值。本发明为PM2.5浓度长时间序列预测提供了一个开放的研究框架。
-
公开(公告)号：CN113724792B
公开(公告)日：2024-04-09
申请号：CN202110877668.4
申请日：2021-08-01
Applicant: 北京工业大学
IPC: G16B40/00 , G06F18/214 , G06F17/18
Abstract: 本发明公开了一种基于相关性分析的病毒扩散与气候因素关系分析方法，利用多元线性回归方法开展一系列验证，建立多元回归方程；利用Pearson相关系数评定各个气候因素对新增确诊人数影响的相对重要性以及各个自变量与因变量之间的相关系数，寻找其中的线性关系，判定各观测变量之间的相关性。利用修正决定系数对病毒气候因素关系模型进行效能判定，明确各个国家的多元线性回归模型与真实数据的拟合程度。本发明依托此模型预测得到新增确诊人数可以指导各国家做出不同严格等级的防控举措。此外，可以给全球的国家提出气候因素防控建议，通过针对温度、湿度等适宜病毒生存的因素来采取积极措施进行防控。
-
公开(公告)号：CN116187561A
公开(公告)日：2023-05-30
申请号：CN202310163385.2
申请日：2023-02-24
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于空间时域卷积网络的PM10浓度精细化预测方法，本发明考虑了空气监测站点间的时空异质性，分析了对PM10的输送演化有重要影响的因素，利用因果卷积网络提取空间、时域依赖特征对PM10进行预测。本发明提出了可接入多源影响因素的时序预测框架，考虑空间站点间的时空异质性特征、空气污染物间的相互影响和气象因素对PM10的演化驱动作用，对PM10进行预测。本发明的建模方法克服了传统时序预测建模方法的弊端，并将多种模型优化方法应用于提升本发明的预测性能，为后续PM10浓度预测研究提供有效的指导框架。
-
公开(公告)号：CN114611399B
公开(公告)日：2025-03-18
申请号：CN202210268175.5
申请日：2022-03-17
Applicant: 北京工业大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于NGBoost算法的PM2.5浓度长时间序列预测方法，该方法综合气象和其他污染物影响因素，提出了基于自然梯度提升的PM2.5浓度预测模型，以提升长时间序列PM2.5浓度预测的精度。使用Isolation Forest算法对采集到的目标站点空气污染物及气象数据进行了异常值判定、通过斯皮尔曼相关系数进行特征选择等预处理作为总数据集；提出数据时序离散化方法，使用所有天中同一小时的数据构成模型输入。然后进行了数据规范化、数据集划分比例、阈值等参数调优实验进行模型优化。最后将离散化后的多维数据集采用NGBoost算法，得出对目标站点未来一天PM2.5浓度的小时级精确化预测值。本发明为PM2.5浓度长时间序列预测提供了一个开放的研究框架。
-
公开(公告)号：CN113962489A
公开(公告)日：2022-01-21
申请号：CN202111428869.2
申请日：2021-11-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，该方法从与目标站点空间强相关的站点数据中挖掘时空依赖特征，以提升PM2.5的单步预测精度。对采集到的空气污染物及气象数据进行了插值处理、特征选择、数据扩充等预处理。利用相关性分析及空间注意力机制，提取融合与目标站点空间强相关的站点信息；采用基于时间注意力的膨胀卷积网络，优化了输入数据窗口大小并扩展了预测覆盖的时域范围。然后基于ST‑CCN‑PM2.5模型进行了相关性阈值、数据归一化、数据集划分等超参数调优的实验以辅助优化模型。最后将多站点数据集用于对该模型的训练。本发明克服了传统RNN模型的梯度问题、复杂体系结构等弊端，为PM2.5浓度细粒度预测提供了一个开放研究框架。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
