基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。

合肥地区PM2.5及污染物季节相关性分析

PM2.5多次成为空气质量评价标准中的首要污染物,对PM2.5及其它5种污染物之间的相关性做定量相关性分析。由于污染物受地域和季节影响较大,对全年数据进行统计,无法正确地分析污染物之间的相关性。针对以上问题,选择合肥市2015年全年的PM2.5和PM10、O_3、CO、SO_2、NO_2的6项因素,并且将数据划分为春、夏、秋、冬四季,按季节对PM2.5及PM10、O_3、CO、SO_2、NO_2因素进行相关性分析讨论。结果表明,随着季节的变化,与PM2.5相关的首要污染物因素也在发生相应变化,相关性随季节变化特征明显。

合肥地区PM2.5季节特征及气象影响因素分析

气象因素能够对PM2.5浓度产生显著影响,气象因素的改变会减轻或加剧PM2.5浓度值。气象因素和PM2.5浓度值随着季节的变化而变化,并且具有明显的区域性特征,所以对全年的PM2.5和气象相关因素进行分析,不能准确反映PM2.5和气象因素之间的相关性。选择合肥市2015年全年的PM2.5和气象影响因素,并对全年数据按春、夏、秋、冬四季进行划分,按季节对PM2.5特征及气象影响因素进行相关性分析讨论。结果表明,春、夏、秋3个季节的气象首要影响因素为风速,且负相关,说明风有利于PM2.5的扩散;在PM2.5污染严重的冬季,气象首要影响因素为温度,且呈正相关,说明气温较低的冬季逆温层较厚,不利于PM2.5的扩散;降水量和相对湿度对PM2.5的影响随季节呈正负相关变化,说明由于不同季节降水量的不同,对PM2.5的影响随季节变化特征显著;气压、风向对PM2.5影响较小,相关系数随季节变化特征显著。

融合知识图谱与图片特征的推荐模型

目前知识图谱研究主要面向信息检索、自然语言理解等领域,在推荐系统中融合知识图谱成为推荐领域学者广泛关注的问题。为了解决单一知识图谱忽略的丰富知识信息,该文对知识图谱进行多模态扩展,并提出一种融合知识图谱与图片特征的推荐模型(KG-I)。不同于其他基于知识图谱的推荐算法,该方法增加视觉嵌入、知识嵌入和结构嵌入去挖掘用户项目之间的隐式反馈信息。该模型利用深度游走模型(Deep Walk)捕获空间结构的方法和波纹网络模型(RippleNet)挖掘知识图谱的知识表达的思想,并且考虑图片对用户偏好的影响,有效地将信息进行融合,并在真实数据集上与其他模型实验比较,研究多种特征的影响,分析不同稀疏度数据下的表现。结果表明,融合知识图谱与图片特征的个性化推荐模型完全优于其他的对比算法并且有效缓解数据稀疏情况。

基于PCA-BP神经网络的PM2.5季节性预测方法研究

【目的】分季节预测PM2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM10、SO2、CO2、CO、O3浓度值,以及同时段的气象因素值,对PM2.5浓度进行预测。数据分析中发现PM2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM2.5-5)预测PM2.5、加入气象因素的综合12项指标(PM2.5-12)预测PM2.5、对综合指标进行PCA处理后的(PM2.5-PCA)预测PM2.5。实验结果表明:4个季节的PM2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。