空气质量与人们的生活息息相关,空气质量的预测结果是进行空气质量控制的依据.因此,提高空气质量的预测精度是本文研究的重点.CMAQ(Community Multiscale Air Quality modeling system)和CAMx(Comprehensive Air quality Model with ext...空气质量与人们的生活息息相关,空气质量的预测结果是进行空气质量控制的依据.因此,提高空气质量的预测精度是本文研究的重点.CMAQ(Community Multiscale Air Quality modeling system)和CAMx(Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式,其工作原理是通过大气物理化学方法模拟污染物传输转化过程,进而预测空气质量.空气质量数值模式的输入文件质量会影响到空气质量的预测精度,为了提高空气质量预测的准确率,本文提出了一种基于Elman神经网络的优化方法,该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果.首先,运行空气质量模式CMAQ和CAMx得到预测结果,然后对预测结果进行预处理,处理后的预测数据和实测数据一起作为Elman神经网络的输入,进行模型的训练,最后得到神经网络模型.通过对测试数据集的验证和分析,实验结果表明,该方法表现出比单一空气质量数值模式更高的准确率.展开更多
文摘空气质量与人们的生活息息相关,空气质量的预测结果是进行空气质量控制的依据.因此,提高空气质量的预测精度是本文研究的重点.CMAQ(Community Multiscale Air Quality modeling system)和CAMx(Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式,其工作原理是通过大气物理化学方法模拟污染物传输转化过程,进而预测空气质量.空气质量数值模式的输入文件质量会影响到空气质量的预测精度,为了提高空气质量预测的准确率,本文提出了一种基于Elman神经网络的优化方法,该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果.首先,运行空气质量模式CMAQ和CAMx得到预测结果,然后对预测结果进行预处理,处理后的预测数据和实测数据一起作为Elman神经网络的输入,进行模型的训练,最后得到神经网络模型.通过对测试数据集的验证和分析,实验结果表明,该方法表现出比单一空气质量数值模式更高的准确率.
