markdown
汇报结束汇报结束基于神经网络的空气质量预测研究
研究方法
算法模型
LSTM神经网络
- LSTM（Long Short- Term Memory）是一种适用于时间序列数据的循环神经网络（RNN），其能够捕捉长期依赖关系，适用于对时间序列数据进行建模和预测。
ConvLSTM神经网络
- ConvLSTM结合了LSTM和卷积神经网络（CNN）的特点，适用于处理具有空间结构的序列数据。
LSTM+Attention神经网络
- LSTM+Attention模型通过引入Attention机制，动态分配输入序列中各个时刻的重要性权重，显著提高了预测的准确性和可靠性。
LightGBM模型
- LightGBM是一种基于梯度提升算法的集成学习方法，能够有效地处理大规模数据和复杂特征。
随机梯度下降----参数调优
随机梯度下降是一种优化算法，用于寻找函数的局部最小值。
数据来源与处理
数据来源
从不同站点获取历史空气质量数据以及相关的气象数据等。 来自OpenAir开源库的数据作为伦敦市区的数据集，选取时段为2018年1月1日至2019年12月31日。涵盖了五个不同监测站点.北京市区的数据集来源于空气质量在线监测平台，（网址：www.aqistudy.cn）
数据预处理与特征工程
缺失值处理
- 对数据进行清洗、缺失值处理和特征工程，以确保数据的质量和可用性。
标准化处理
- 对数据进行标准化处理，以消除不同变量之间的量纲影响。
模型评价指标确定
- 确定模型评价指标，如可决定系数R2、均方根误差（RMSE）、平均绝对误差（MAE）均方误差（MSE）等。
