文章通过构建扩展长短期记忆网络(Extended Long Short-Term Memory, xLSTM)模型,结合空气质量指数数据和常见天气测量数据,对空气质量指数进行了精确分析以及准确预测。该模型主要由数据预处理、生成数据集和构建模型3个部分组成。在...文章通过构建扩展长短期记忆网络(Extended Long Short-Term Memory, xLSTM)模型,结合空气质量指数数据和常见天气测量数据,对空气质量指数进行了精确分析以及准确预测。该模型主要由数据预处理、生成数据集和构建模型3个部分组成。在数据预处理阶段,文章对常见天气测量数据做数据填充,根据常见天气规律信息和异常值判断算法对常见天气测量数据中的异常值进行数据判断和删除。同时,根据异常值判断算法对空气质量指数数据中的缺失值和异常值进行数据判断和删除。在生成数据集阶段,旧数据集以当前时刻的天气测量数据作为输入、当前时刻的空气质量指数数据作为输出,将旧数据集根据xLSTM模型的输入和输出,转换成当前及之前以一共10个连续时刻的天气测量数据和空气质量指数数据作为输入、下一个时刻的空气质量指数数据作为输出的新数据集。在构建模型阶段,文章构建了xLSTM模型,用来根据当前及之前一共10个连续时刻的天气测量数据和空气质量指数数据预测下一个时刻的空气质量指数数据。实验结果证明,与传统神经网络模型相比,该模型对空气质量指数分析和预测都更加精准。展开更多
文摘文章通过构建扩展长短期记忆网络(Extended Long Short-Term Memory, xLSTM)模型,结合空气质量指数数据和常见天气测量数据,对空气质量指数进行了精确分析以及准确预测。该模型主要由数据预处理、生成数据集和构建模型3个部分组成。在数据预处理阶段,文章对常见天气测量数据做数据填充,根据常见天气规律信息和异常值判断算法对常见天气测量数据中的异常值进行数据判断和删除。同时,根据异常值判断算法对空气质量指数数据中的缺失值和异常值进行数据判断和删除。在生成数据集阶段,旧数据集以当前时刻的天气测量数据作为输入、当前时刻的空气质量指数数据作为输出,将旧数据集根据xLSTM模型的输入和输出,转换成当前及之前以一共10个连续时刻的天气测量数据和空气质量指数数据作为输入、下一个时刻的空气质量指数数据作为输出的新数据集。在构建模型阶段,文章构建了xLSTM模型,用来根据当前及之前一共10个连续时刻的天气测量数据和空气质量指数数据预测下一个时刻的空气质量指数数据。实验结果证明,与传统神经网络模型相比,该模型对空气质量指数分析和预测都更加精准。
