基於遞迴神經網路之深度學習建立PM2.5預測模型

Tunghai University Institutional Repository > 管理學院 > 資訊管理學系所 > 碩士論文 > Item 310901/31853

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://140.128.103.80:8080/handle/310901/31853

题名:	基於遞迴神經網路之深度學習建立PM2.5預測模型
其它题名:	A PM2.5 Prediction Model Based on Deep Learning with Recurrent Neural Network
作者:	莊宜庭 CHUANG, YI-TING
贡献者:	姜自強 CHIANG,TZU-CHIANG 資訊管理學系
关键词:	長短期記憶模型;深度學習;相關係數;主成分分析;空氣污染;遞迴神經網路 LSTM;RNN;Deep learning;Correlation Analysis;Air pollution　　　　　;Principal Components Analysis
日期:	2019
上传时间:	2019-12-16T06:53:48Z (UTC)
摘要:	近年來由於許多的研究發表都驗證空污會嚴重影響到人體健康，再加上媒體報導許多有關空污的議題，因此更讓民眾開始重視它的存在。本研究以2018年環保署的空氣品質即時污染指標的資料來做分析，採用五種補值的方法進行補值，藉由主成分分析和相關係數各別找出影響PM2.5濃度的主要相關變數（單因子：PM10、SO2、NOX、NO2、CO，雙因子：NOX＋NO2＋CO、SO2＋PM10），並利用遞迴神經網路（RNN）的長短期記憶模型（LSTM）來建立預測未來8小時的PM2.5濃度模型。根據研究結果顯示，豐原測站的預測值與真實值之誤差大部分都有落在合理的MAPE（0.2~0.5）範圍內。另外在補值法方面是以線性插值法最好。 In recent years, many studies have verified that air pollution will seriously affect human health. In addition, the media reported many issues concerning air pollution, so people have begun to pay attention to its existence. This study analyzes the data of the Environmental Protection Administration air quality immediate pollution indicators in 2018. Five methods are used to deal with the missing values. The main correlation variables affecting the PM25 concentration are identified by principal component analysis and correlation coefficients (single factor: PM10, SO2, NOX, NO2, CO, two-factor: NOX+NO2+CO, SO2+PM10), and the Long-Short Term Memory Model (LSTM) of the Recurrent Neural Network (RNN) was used to model the PM25 concentration model for the next 8 hours. According to the research results, most of the errors between the predicted and true values of Fengyuan Station fall within the reasonable range of MAPE (0.2~0.5). In addition, the best way to deal with the missing value is linear interpolation.
显示于类别:	[資訊管理學系所] 碩士論文

文件中的档案:

档案	大小	格式	浏览次数
107THU00396013-010.pdf	2016Kb	Adobe PDF	55	检视/开启

在THUIR中所有的数据项都受到原著作权保护.

数据加载中.....