全文总字数：2505字

1. 研究目的与意义及国内外研究现状

由于工业化的不断发展，地表水的污染程度日趋加深，环境的污染也日益加重，就以北京来讲，常年便处于雾霾状态，pm2.5便是广大群众关注的主要内容。所以说，需要结合大数据来对pm2.5的污染情况在进行更加准确的预测。

2. 研究的基本内容

本文以空气中PM2.5在空气中的浓度影响因素作为理论的基础，结合贝叶斯统计推断，借助现有机器学习的强大功能，对PM2.5进行预测。

本文利用UCI数据集来预测PM2.5的规律的影响因素，并进行可视化的研究，计算有污染物的伤害浓度以及作用时间，进而完善预测方案，解决污染物在环境中的迁移预测过程中存在的一些问题。本文基于TensorFlow与sklearn深度学习框架，并利用LSTM模型来测试，并利用pyQt可视化。

3. 实施方案、进度安排及预期效果

二月：完成python的入门学习，编写基本的python程序；

三月：开始学习程序编写，本月内编写玩程序；

四月：编写论文，并根据实际情况来调节论文情况。

4. 参考文献

1. 深度学习框架下lstm网络在短期电力负荷预测中的应用[j]. 陈亮,王震,王刚.电力信息与通信技术. 2017(05)

2. lstm对上证指数的实证分析[j]. 周生强.现代经济信息. 2017(09)

3. 基于lstm的舰船运动姿态短期预测[j]. 王国栋,韩斌,孙文赟.舰船科学技术. 2017(13)

   剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付