摘要
针对空气中苯浓度预测困难的问题.我们利用空气中多种成份之间关系为依据,以卷积神经网络(Convolutional Neural Network,CNN)为基础,设计了一种苯浓度预测模型.模型由多个卷积神经网络层、批归一化层和多个全连接神经网络层组成,模型输入为连续多个时刻空气中多种成份特征值,模型输出为预测的苯浓度值.通过对CNN模型的超参进行调整提高模型效果,实验结果显示在CNN核宽度为4,输入序列长度为8时模型取得最好效果.调整后的CNN模型的与基于支持向量机(Support Vector Machine,SVM)和基于长短期记忆神经网络(Long Short-Term Memory,LSTM)的模型进行比较,在测试集上的RMSE值与SVM模型和LSTM模型相比,分别降低1.51和1.54.在预测时模型计算需花费的时间上,CNN模型需要0.57ms,高于SVM模型需要的0.055ms,低于LSTM模型需要的1.15ms.
- 单位