-
Patent Agency Ranking
公开(公告)号：CN108197736A
公开(公告)日：2018-06-22
申请号：CN201711467871.4
申请日：2017-12-29
Applicant: 北京工业大学
Abstract: 本发明公开一种基于变分自编码器和极限学习机的空气质量预测方法，包括如下步骤：步骤1、获取空气质量数据并使用VAE对数据进行编码；步骤2、将编码后的数据划分为训练数据和测试数据；步骤3、训练RNN对编码后的空气质量进行处理，将RNN的输出结果输入到一个全连接神经网络中；步骤4、将训练完成的RNN的输出结果输入ELM，并训练ELM；步骤5、将测试数据输入RNN中，之后将RNN的所有输出结果输入到ELM中获取最终的输出结果。采用本发明的技术方案，解决空气质量预测中缺失值填补精度差导致预测精度差的问题。
-
公开(公告)号：CN108197736B
公开(公告)日：2021-08-13
申请号：CN201711467871.4
申请日：2017-12-29
Applicant: 北京工业大学
Abstract: 本发明公开一种基于变分自编码器和极限学习机的空气质量预测方法，包括如下步骤：步骤1、获取空气质量数据并使用VAE对数据进行编码；步骤2、将编码后的数据划分为训练数据和测试数据；步骤3、训练RNN对编码后的空气质量进行处理，将RNN的输出结果输入到一个全连接神经网络中；步骤4、将训练完成的RNN的输出结果输入ELM，并训练ELM；步骤5、将测试数据输入RNN中，之后将RNN的所有输出结果输入到ELM中获取最终的输出结果。采用本发明的技术方案，解决空气质量预测中缺失值填补精度差导致预测精度差的问题。
-
公开(公告)号：CN110070224A
公开(公告)日：2019-07-30
申请号：CN201910320607.0
申请日：2019-04-20
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多步骤递归预测的空气质量预测方法，该方法包括如下步骤：获取空气质量数据和天气数据并预处理，构建输入数据和输出数据。编码器的输入数据包括污染物数据和历史气象数据。解码器的输入数据包括编码器的输出结果，气象预报数据，和上一时刻的污染物数据。将数据分割为训练数据和测试数据。使用训练数据对Seq2Seq模型进行训练：使用测试数据测试预测结果。本发明使用Seq2Seq模型对空气质量进行预测。使用全连接层代替编码器的RNN，并且使用位置编码保留输入序列的时序关系，从而达到保持预测精度的同时加速训练的效果，可以有效减少误差积累从而提高预测精度。
-
公开(公告)号：CN107330514B
公开(公告)日：2020-07-31
申请号：CN201710554694.7
申请日：2017-07-10
Applicant: 北京工业大学
Abstract: 本发明公开一种基于极限学习机的空气质量预测方法，包括：步骤1、获取需要进行预测分析的空气质量数据，并且划分为训练数据集与测试数据集；步骤2、基于训练数据集对CNN进行训练并选择在各个验证集中表现的模型作为特征提取的模型；步骤3、将CNN全连接层第一个层的激活值作为GBELM的输入，训练GBELM，选择在各个验证集中表现最好的GBELM作为预测模型；使用GBELM来代替步骤2中得到的CNN的全连接层，得到最终的空气质量预测模型；步骤4、将测试数据输入到空气质量预测模型,计算得到测试数据的抽象特征，再输入到GBELM中得到每个ELM的输出值进行加和，即可得到预测结果。采用本发明的技术方案，具有很高的预测精度。
-
公开(公告)号：CN107330514A
公开(公告)日：2017-11-07
申请号：CN201710554694.7
申请日：2017-07-10
Applicant: 北京工业大学
Abstract: 本发明公开一种基于极限学习机的空气质量预测方法，包括：步骤1、获取需要进行预测分析的空气质量数据，并且划分为训练数据集与测试数据集；步骤2、基于训练数据集对CNN进行训练并选择在各个验证集中表现的模型作为特征提取的模型；步骤3、将CNN全连接层第一个层的激活值作为GBELM的输入，训练GBELM，选择在各个验证集中表现最好的GBELM作为预测模型；使用GBELM来代替步骤2中得到的CNN的全连接层，得到最终的空气质量预测模型；步骤4、将测试数据输入到空气质量预测模型,计算得到测试数据的抽象特征，再输入到GBELM中得到每个ELM的输出值进行加和，即可得到预测结果。采用本发明的技术方案，具有很高的预测精度。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
