论文部分内容阅读
近年来,随着城市经济的快速发展,空气污染已成为城市环境主要的问题。对城市空气质量进行精准监控和预测是进行空气污染防治的重要基础。然而,空气质量监测基站的费用高昂、维护困难,且监测站观测数据具有区域局限性。因此,本文设计并实现了一种新型的基于联邦迁移学习的空气质量预测系统。论文按照基础层、数据层、服务层、应用层的架构划分,详细描述了整个空气质量预测系统的设计过程。特别地,设计了区域匹配(Regions-Match)、源城市区域训练(S-Train)、区域对迁移(Regions-Tran)以及目标城市区域联邦学习(T-FRL)等方法,确保系统预测的准确率和效率。进而,基于Python语言与TensorFlow平台编写实现了整个系统,并从功能实现与性能指标两个方面对系统进行了整体测试。测试结果表明与单纯使用联邦学习或者迁移学习相比,系统使用的联邦迁移学习能分别提高6.07%和12.83%的准确率。