龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：青岛诺诚化学品安全科技有限公司;青岛安工装备科技有限公司
申请日：2024-02-29
公开（公告）日：2024-05-31
公开（公告）号：CN118114047A
主分类号：G06F18/214
分类号：G06F18/214;G06F18/2415;G06F18/27;G06N3/0442;G06N3/08;G06Q50/26
优先权：
专利状态码：在审-公开
法律状态：2024.05.31#公开
摘要：本发明公开了一种基于深度学习的大气中TVOC浓度预测方法，属于大气环境检测领域中污染物预测技术领域。本发明包括如下步骤：获取目标监测点的TVOC浓度及气象监测数据；对数据进行异常值去除和缺失值补充及归一化处理；分别构建LSTM‑SVR复合模型、ARIMA预测模型和全连接层输出网络；对数据进行数据集划分，分别对LSTM‑SVR复合模型和ARIMA模型进行训练；将历史气象监测数据输入ARIMA预测模型；将待测目标监测点的TVOC浓度数据的时间序列及气象预测数据输入到LSTM‑SVR复合模型。本发明提出的融入气象因素的未来时刻预测值的LSTM‑SVR组合深度学习预测模型，具有很高的TVOC浓度预测准确性。
主权项：1.本发明公开了一种基于深度学习的大气中TVOC浓度预测方法，其特征在于：包括如下步骤：步骤S1：获取目标监测点的TVOC浓度及气象监测数据；步骤S2：对数据进行异常值去除和缺失值补充及归一化处理；步骤S3：分别构建LSTM-SVR复合模型、ARIMA模型和全连接层输出网络；步骤S4：对数据进行数据集划分，将数据随机分割成训练集20％和测试集80％，根据TVOC浓度和气象因素的时间序列对LSTM-SVR复合模型进行训练，并采用贝叶斯优化方式对复合模型中的包括隐藏层神经元个数、模型层数在内的超参数进行调整，得到训练好的TVOC浓度预测模型，根据气象因素的时间序列对ARIMA模型进行训练，得到优化后的气象预测模型；步骤S5：将历史气象监测数据输入ARIMA模型，根据气象因素的时间序列对ARIMA模型进行气象因素的回归分析，得到未来时刻气象因素的预测结果；步骤S6：将待测目标监测点的TVOC浓度数据的时间序列及气象预测数据输入到LSTM-SVR复合模型，得到目标站TVOC浓度预测值，并经全连接层转化输出最终结果。
全文数据：
权利要求：
百度查询： 青岛诺诚化学品安全科技有限公司;青岛安工装备科技有限公司 一种基于深度学习的大气中TVOC浓度预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号