一、上海市空气质量数据管理和查询系统的构建（论文文献综述）
白凯建[1]（2021）在《面向大型石油装备的制造执行系统关键技术研究》文中指出
尚俊倩[2]（2021）在《基于神经网络的PM2.5浓度预测研究与实现》文中认为人们对PM2.5防控意识不断加强,准确及时的PM2.5浓度预测对于空气污染的防控和人们的出行健康都有着非常重要的意义。本文基于西安市历史空气质量数据,采用PM2.5影响因素与历史浓度数据相结合的方法建立了基于BP神经网络的PM2.5小时浓度多步预测模型,并基于季节对该预测模型进行优化,然后使用两种预测模型结合爬虫技术设计并实现了PM2.5浓度实时预测系统。本文提出使用PM2.5浓度影响因素与其k阶历史浓度值相结合作为预测模型的输入特征进行PM2.5小时浓度的多步预测。首先本文获取西安市近一年的空气质量数据并对数据进行预处理,接着通过绘制相关散点图与相关系数分析法,分析了PM2.5与PM10、SO2、NO2、CO、O3之间的相关性,结果表明PM2.5与这些影响因素之间均存在一定相关性,相关程度从高到低依次为CO、PM10、SO2、NO2、O3,其中O3与PM2.5负相关。通过相关性分析确定了PM2.5浓度的影响因素,并通过反复实验试凑的方法确定了PM2.5浓度值的滞后阶数k以及BP神经网络的参数,成功建立了BP神经网络PM2.5浓度预测模型。接着针对目前PM2.5预测模型缺乏对于季节特征的利用,本文提出建立季节性的PM2.5浓度预测模型。首先通过统计分析西安市不同季节的PM2.5浓度日均值、最值与日变化规律折线图,得出该地区PM2.5浓度确实具有显着的季节特征,如:冬季PM2.5浓度远高于其他季节,且日变化曲线图与其他季节相比有明显的峰值与谷值。然后,基于PM2.5浓度的季节特征考虑,将所获取的数据集按照季节进行分类,并使用不同季节的相应训练集为该季节训练不同的BP神经网络预测模型。随后将上述两种PM2.5浓度预测模型进行对比分析,发现季节性的预测模型相较整体的预测模型平均绝对误差减少34%,均方误差减少58%,R-Squared提高5.2%。本文基于上述两种预测模型结合爬虫技术设计并实现了PM2.5实时预测系统。系统的主要功能有:对西安市空气质量历史数据的统计与分析,西安市空气质量监测站点的空气质量数据的实时显示,以及对监测站点的PM2.5小时浓度的预测,并依据空气质量数据和PM2.5预测值的大小给出相应的身体健康和出行防护提示,有利于人们更便捷地掌握空气质量状况,从而减轻空气污染对人体健康的伤害。该系统的开发基于Python开发语言、Django Web框架与My Sql数据库。
陈杰[3]（2021）在《基于关联规则构建的城市空气质量监测设备布点选址方法研究》文中研究指明城市区域空气质量分布与人们身心健康息息相关,若能实时的掌握空气质量分布状况,对居民户外活动预防以及相关政府部门后续环境治理,都有着很重要的参考意义。空气污染物分布具有时空交互性,并且受到外部因素的影响,如天气、交通量、路网结构以及土地用途等方面;此外,城市区域已建立的空气质量监测站点所覆盖的区域,相对于整个城市面积来说,比较稀疏,这一系列因素导致空间细粒度空气质量分布预测问题是具有挑战性的。然而,已有的空气质量预测方法要么未考虑到与空气质量分布相关的外部因素的影响,要么因为自身模型性能的限制,难以捕获到空气质量分布的时空交互性。另一方面,随着城市区域面积的不断扩大,有的城市原先建立的空气质量监测站点已不能满足整个城市区域空气质量监测的精度要求。如何基于已建立的空气质量监测站点,从候选区域推荐一定数量的最优点位,和原有的监测站点组建成更有效、目的性更强的空气质量监测网络,从而及时、精确地反应整个城市区域空气质量分布状况及其发展趋势,已经成为目前我国许多城市空气质量管理亟待解决的问题。然而,目前针对该问题的研究,大多不能基于已建立的空气质量监测站点,通用灵活性比较低,并且监测项目以常规污染物为主,不能满足我国煤烟和机动车尾气复合型空气污染的监测需求。针对上述问题和挑战,本文考虑了与空气质量分布相关的外部因素的影响,把目标城市待研究区域划分成1km*1km的子区域,通过将子区域看作节点并关联随时间变化的空气质量数值,从而构建成城市时空图,进而开展了基于关联规则构建的城市空气质量监测设备布点选址方法研究,主要研究内容如下:（1）针对城市监测站未覆盖区域的空气质量分布预测问题,将空间细粒度空气质量预测问题转化为时空图预测问题。基于提出的高阶图卷积网络,设计了一种有效的空间细粒度空气质量推断模型（Air quality inference model based on high-order graph convolution,HGCNInf）。HGCNInf 利用稀疏监测站点监测的历史空气质量数据,可以捕获空气污染物分布的时空交互性,并结合城市路网结构、城市气象以及土地用途POI等外部因素,从而有效地预测城市区域空气质量监测站未覆盖区域的空间细粒度空气质量分布。（2）针对环境空气质量监测站点选址布点问题,将环境空气质量监测站位置推荐问题转化为城市时空图节点推荐问题。基于已设计的空气质量推断模型HGCNInf,设计了一种信息熵最小化贪心算法（A greedy algorithm for minimizing information entropy,GMIE）,GMIE旨在根据提升HGCNInf对整个城市区域空气质量分布预测精度的能力来标记候选区域的推荐优先级,从而完成监测点位布设选址问题。最终,待推荐的优先级最高的节点,可以给空气质量推断模型HGCNInf带来最大程度上预测精度的提升。本文用目标城市的实时空气质量数据验证了提出的模型,实验数据显示,我们提出的模型性能明显要优于各个基准方法,包括目前最先进的模型。
陈津津[4]（2021）在《基于多类数据关联分析的空气质量预测系统的研究与实现》文中进行了进一步梳理近年来空气污染问题越来越受到人们关注,空气质量的实时准确预测对于指导人们出行和城市建设规划具有重要意义。然而空气质量受天气、交通状况、相关污染源排放、周围土地用途等多重因素的影响,且互相之间存在着十分复杂的非线性关系。此外部分数据由于隐私权限等限制难以直接获取,为空气质量预测带来了挑战。为此,本文研究并实现了一个基于多类数据关联性分析的空气质量预测系统,主要工作包括:1.通过城市感知数据的自适应表示学习,实现了在隐私保护的情况下的类内和类间数据关联建模,并利用类间关联关系设计了一种端到端的多任务学习预测模型,达到了良好的预测效果。2.针对空气质量预测中数据特征的嵌入式表达问题,设计了TransE与数学表达式相结合的模型,用于学习具有任意量级的数字表达,并通过数字推理有效性与空气质量预测任务上的表现,验证数字表达的学习性能。3.基于多类数据关联分析模型建立了空气质量预测系统,实现了模型训练、加载、多任务时序预测、单任务时序预测以及数据分布显示和数据关联分析等功能,并分别在KDD CUP 2018与AI Challenge竞赛数据集上进行了多组实验。结果表明,系统能够实现准确的空气质量预测,且具有较快的响应速度。
陈连亮[5]（2021）在《基于深度学习的空气质量和交通关联性研究》文中认为空气污染是一个日益严重的全球性问题,关乎到人们的生命和健康。近年来,随着工业排放的严格控制和机动车总量的快速增加,交通污染问题已经成为可持续发展面临的主要挑战。因此,全面解读和分析交通和空气质量的关联性,以支持更有效和可持续的环境治理非常重要。然而,传统方法参数假设较多以及未在交通和PM2.5浓度之间建立明显关系,导致不能有效地量化交通排放和空气质量的关联性。本文基于多源异构数据,利用可追溯的深度学习方法,构建了一套新的源解析模型。在精准预测PM2.5浓度的基础上,实现了交通对PM2.5浓度的时空细粒度定位,量化了人为源（包括交通源）对PM2.5浓度的贡献占比,分析和评估了不同政策下未来交通排放对PM2.5浓度的影响。本文首先基于大气污染扩散过程先验知识,提出一个深度层次性的多信息融合PM2.5浓度预测模型（DeepAir）。DeepAir模型利用交通融合模块（TFM）提取交通的时空排放信息,利用精心设计的特征交互模块（FIM）和时间交互模块（TIM）分别模拟污染的化学反应过程和时间累积过程。相较于表现最好的对比模型DA-RNN,我们的模型在预测未来24小时内的PM2.5浓度的平均绝对误差（MAE）和均方根误差（RMSE）分别下降了 20.1%和14.4%。接着,我们将最新的逐层相关性传播（LRP）算法嵌入到DeepAir模型中,实现了一种可追溯的透明化深度模型iDeepAir,该模型以城市交通时空信息作为输入,揭示了城市交通的时空排放模式。进一步的,我们基于重建的排放清单和iDeepAir模型耦合,建立了一套从排放源排放到PM2.5形成的自底向上的一体化的源追溯模型DeepSA,量化了上海市2010-2017年人为源对PM2.5浓度的贡献占比。本文发现2010-2017年上海市交通部门对PM2.5浓度的贡献占比从21.62%上升到35.67%,表明交通排放问题将越来越成为空气污染治理的重点。我们最后分析和评估了不同政策下交通排放对PM2.5浓度的未来影响,我们发现在2030年推广新能源车将为交通排放对PM2.5浓度贡献占比降低4.18%。本文的分析和结论对于城市污染治理提供定性和定量的决策依据,最终有利于人们的生活和城市的高质量可持续发展。
付逢晨[6]（2021）在《基于场景图像的空气质量等级识别模型研究》文中提出空气污染对人类健康的严重威胁使得空气质量成为公众关注的焦点,有效、及时的空气质量监测对于公众健康防护和污染控制具有重要意义。目前环境质量信息主要从分布稀疏的空气质量监测站点获取,但这种局部的监测方式不能覆盖所有区域。基于图像分析的空气质量识别为实时获取空气质量信息提供了一种新的模式,随着手机等智能终端的普及应用和计算机视觉的迅速发展,使得通过随手拍摄场景图像来识别空气质量成为可能。公众可以通过手机等智能终端拍照,基于图像获取所处空间环境的空气质量,环境管理人员可以实时分析网格区域空气质量状况,而这种获取空气质量的模式,其核心是基于图像的空气质量识别模型和方法。本文基于深度学习算法,通过采集图像数据,对基于图像的空气质量等级评估方法展开研究,进一步考虑了天气状况在图像空气质量识别中的作用,对融合天气特征的空气质量图像识别多任务深度学习方法进行研究,设计并实现了基于场景图像的空气质量识别系统。具体研究包括以下三个部分:（1）基于ResNet的空气质量场景图像评估模型。利用构建的空气质量场景图像数据集,提出一种基于ResNet的深度卷积神经网络模型（AQC-Net）,通过图像特征识别空气质量等级。在模型中加入自我监督模块并结合特征图的全局上下文信息,利用通道映射之间的相互依赖关系对特征进行重构,对相互依赖的通道映射进行增强,提高特征的表示能力。与SVM、VGG和ResNet等方法在相同数据集上进行了比较和分析,研究结果表明,本文的模型对空气质量等级分类的准确率达到72%,比SVM、VGG和ResNet分别提高了12%、3.7%和1.9%。（2）空气质量图像识别中基于深度学习的天气特征分析和类型识别。针对天气因素对空气质量具有重要影响,建立了基于图像识别的天气特征分析模型。模型首先在Image Net数据集上进行预训练,结合迁移学习对天气-空气质量图像数据集（WAQI）进行训练和分类,将图像分为5类:晴天、多云、阴、降水和浮尘。研究结果表明,模型的分类准确率为97.4%,比Random Forest、Goog Le Net等经典算法分别提高了1.15%和1.99%,说明该模型更适用于天气特征的分析。（3）融合天气特征的空气质量图像识别多任务模型研究。利用多任务的思想,同时考虑图像中空气质量特征和天气特征,把空气质量识别作为主任务,天气识别作为辅助任务,最终得出图像的空气质量等级。该模型支持从图像采集终端获取的图像中提取空气质量和天气特征信息,模型可以识别出5种天气状态和6个空气质量等级。在本文构建的图像数据集（WAQI）上进行模型训练和评估,并与Goog Le Net、Vgg Net和ResNet等单任务模型进行了对比分析。研究结果表明,在空气质量识别任务中,多任务模型比Goog Le Net、Vgg Net、ResNet的识别准确率分别提升了22.97%、20.94%和14.33%,另外相比第一部分提出的模型AQC-Net,准确率提升了12.45%。最后给出基于场景图像的空气质量识别系统的设计和实现方法。
卢彬[7]（2021）在《统计分析和机器学习方法在银川市空气质量预测中的应用研究》文中进行了进一步梳理随着经济社会的发展,空气质量和空气污染问题已经是当前全社会关注的焦点和热点话题。当前,我国空气治理面临的形势十分常严峻。为此,我国政府制定出台了相应的法律法规和政策条文来解决空气污染问题。但是,从长远来看,对于空气质量的治理不仅需要法规条文,也更需要结合当前的技术手段对空气质量进行预测、分析,更加有针对性地解决问题。空气质量的预测研究应当根据所研究地区的实际情况开展调查研究。本文针对当前空气质量预测中存在的不足,分别从空气质量指数（AQI）和空气质量类别两个方面展开研究,以2015年1月1日至2021年2月28日的银川市空气质量数据和气象因素为样本数据,分别建立了银川市空气质量类别分类预测模型和银川市逐日AQI预测模型。首先利用统计分析方法对银川市空气质量进行评价,分别采用了时间序列图、直方图、主成分分析、相关性分析和逐步回归模型等方法分析银川市空气质量情况,确定了后续研究的影响因素。之后分别进行分类预测和AQI预测,在分类预测方面,以2015年1月1日至2020年11月30日的空气质量和气象数据作为训练数据,训练模型,以2020年12月银川市逐日空气质量类别数据作为测试集,验证模型准确率,进行分类预测,分别建立了随机森林、支持向量机（SVM）和人工蜂群算法（ABC）优化的支持向量机（ABC-SVM）三种模型,结果显示ABC-SVM模型预测准确率达到96.77%,更适合应用于银川市空气质量的分类预测当中。在AQI预测的问题上,本文提出了一种基于高相似性特征拓展的自适应RBF神经网络,建立了六组实验数据并筛选出高相似性特征,结果发现,前一日空气质量等级、前一日PM2.5含量和前一日PM10的含量与预测日的AQI指数表现出高相似性,也从侧面说明影响银川市空气质量的因素仍是以PM2.5和PM10为主。通过反复实验验证发现,本文所提出的AQI预测模型的拟合优度达到0.998,并且误差也有所降低。最后,根据分别建立的分类预测和AQI预测模型,对2021年1月1日至2月28日的银川市空气质量类别和AQI进行预测,验证本文所提出模型的可靠性。根据最终的验证结果,本文提出的考虑气象因素的ABC-SVM模型和基于高相似性特征拓展的自适应RBF神经网络模型是有效的,并且发现,PM2.5和PM10是影响银川市空气质量情况的主要污染物,因此还需加强对这两种污染物的预防和治理。
叶雅珍[8]（2021）在《数据资产化及运营系统研究》文中认为随着互联网、大数据、人工智能等技术的发展,各行各业都面临着转型升级的挑战。与以往历次变革不同,数据已成为重要的资产,如何管理和利用好所拥有的数据资产是成功转型升级的关键因素之一,但目前数据资产化的概念还不清晰,缺少系统化的理论和方法。数据资产化的难题有六大类:一是概念界定类问题,主要是界定数据、数据资产定义,数据资产的类型和会计报表科目归属等问题;二是法律类问题,主要有数据权属规制、数据确权、数据版权、数据权转移等问题;三是制度类问题,主要包括数据的国有性、公共性、私有性问题,政府数据开放共享问题,等等;四是市场类问题,主要有数据商品定价、数据市场运行模式、数据市场监管、数据财税等问题;五是数据的国际性问题,主要有数据跨境流动、数据主权、数据本地化、数据自治等问题;六是技术类问题,主要包括数据资产计量、数据产品形态、数据流动跟踪、数据流通系统、上述五个问题的技术支撑等等问题。本文从数据的技术实现和技术属性出发,开展数据资产化及其运营系统研究,重点研究了数据资产概念界定、数据资产化框架、数据生产与数据产品流通等一般性问题和数据产品流通体系等问题,研究了数据计量计价、数据产品形态、数据出版、数据自治等问题,提出了数据资产的定义,给出了一个数据资产化的框架,提出了基于测度空间的数据资产计量计价形式化框架模型,提出了一种“两阶段授权模式”并设计了单一类型数据产品运营平台体系结构,基于数据盒设计了大数据产品的形态,基于数据自治开放构建了大数据产品运行体系等等。主要创新成果如下:（1）从数据属性出发定义了数据资产。针对数据资产概念不清晰的问题,梳理了与数据资产相关的概念内涵和发展状况,分析讨论了数据自身及数据资产的物理属性、存在属性和信息属性,提出将信息资产、数字资产和数据资产等统一为数据资产,并给出了数据资产的定义:数据资产是拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取的网络空间中的数据集。指出数据资产是一种新的资产类别,兼有无形资产和有形资产、流动资产和长期资产的特征,需要设计新的会计科目对数据资产进行记账。（2）提出了一个数据资产化基础框架。针对数据作为数据资产应具备什么条件,如何将一个数据集转化为数据资产的问题,研究提出了数据成为资产所要具备的4个必要条件（拥有数据集的数据权属、数据集有价值、数据集的成本或价值能够被可靠地计量、数据集是可机读的）、3个附加条件（数据集要具有良好的数据质量、合理的货币计价或评估方法、数据资产折旧和增值规则）,提出了一个数据资产化基础框架,包括:数据资源确权、数据价值确认与质量管控、数据装盒入库、货币计价与评估、数据资产折旧和增值的管理5个环节。（3）提出了基于测度空间的数据资产计量计价形式化框架模型。针对数据资产的计量计价的技术问题,提出了基于测度的计量计价框架模型,包括:离散数据空间上的测度、连续数据空间上的测度、乘积空间上的测度等三个测度空间。通过引入测度,合理地度量A∪数据集的容量（volume）,解决了相交数据集合的度量难题;针对可重复的数据服务,如订阅制服务、API调用等,利用1)描述次数,积分∫1)（9可对价格进行表示;对于按量收费的服务,可用Lebesgue积分表示;并通过对多个实际数据集、数据产品的分析,证明了本文提出的框架模型的有效性、广泛适用性。（4）提出了数据产品流通的“两阶段授权模式”。针对数据产品的生产和流通问题,指出数据产品流通的本质是一种授权,通常并不需要发生所有权的转移。提出了一种数据资产运营的“两阶段授权模式”:第一阶段授权（平台授权）,平台获得数据产品源授权;第二阶段授权（终端授权）:平台将标准化的数据产品授权给终端。并设计了相应的数据产品运营平台体系结构,包括:数据平台、阅读器、定价规则、版权管理保护机制、基础设施等等。“两阶段授权模式”覆盖了大部分现有的数据产品运行系统。（5）设计了一个大数据产品的形态。针对大数据产品形态问题,以数据盒为基础设计了一个大数据产品的形态,包括:一定规模（一个大数据产品内部可以包含较大数量的单一类型数据产品）、完整内容（包含在大数据产品的单一类型产品是完整的,其他内容具有独立可解释的含义,所有内容合在一起具有独立可解释的含义）、）计量单位（以“盒”为单位对大数据产品进行计量计价）、机读格式（数据必须以机器可读、可识别的格式存在）。将该大数据产品的形态应用于基于数据自治开放模式的大数据产品运行体系。
施正宇[9]（2020）在《医院门诊环境的服务质量评价模型研究 ——以上海市第六人民医院为例》文中研究说明随着科技的进步和医疗空间的发展,医疗模式从“生物医疗”逐渐向“生物—心理—社会医学”转型。在医疗环境中,门诊环境服务是患者接触最多的医疗服务,且与患者对环境的使用评价具有较高的相关度。但通过笔者对该环境服务进行实地调研后发现,此服务仍存在一些尚未跨越的问题。基于此,本文将通过收集患者对门诊环境服务的主观评价数据,进行探讨门诊环境的服务质量问题。首先,本文以上海市第六人民医院门诊环境为研究对象,对医院门诊环境进行实地调研,通过行为观察法和用户追踪,了解患者在不同的门诊环境中所接受的服务,并建立患者在门诊环境中的用户旅程图。其次,应用网络数据挖掘方法,采集在线用户对于医院门诊服务的评价。将收集的评价进行内容划分和高频词汇筛选,提炼门诊环境数据知识;其后采用专家小组讨论法,对门诊环境服务展开研究。根据SERVQUAL服务质量模型,将服务内容按照不同的服务维度进行划分。最后,采用AHP层次分析法,建立环境评价层级,将服务内容按照环境层级进行分配,形成门诊环境服务质量评价体系。研究通过门诊环境服务质量评价体系获取患者评价数据,经过处理分析得出,患者用户对门诊大厅环境的评价数据占比最大,研究以此判定该环境为重点服务环境;在大厅环境中,患者对人群疏散和功能分布评价的服务质量差距最大,研究以此判定该服务项为焦点服务项。其次,以重点环境和焦点服务为基础,研究通过采集医院门诊中现有的服务设施,构成服务效果评价问卷,收集用户对门诊服务设施的感性评价。调查数据显示患者用户对医院的智能导航设备评价最低。最后,研究根据调查结论,对医院的智能导航设备展开设计优化。
唐泰杰[10]（2020）在《乌海矿区空气质量监测及预警系统设计与实现》文中研究说明随着乌海矿区煤炭资源的大规模、高强度开采,加剧了土壤的破坏和岩石的侵蚀,使得大量矿体表层土壤剥落,地表植被遭到严重破坏,矿区沙尘天气明显加剧,这对矿区及其周边环境质量产生了严重影响。因此,本文围绕乌海矿区空气质量开展相应的监测及预警科研工作,最终针对乌海矿区设计实现一款基于深度学习模型的空气质量监测及预警系统。本系统主要包含三大部分:数据的爬取和存储模块,基于深度学习的空气质量预测模块以及前后端开发模块。为了更好地实现上述模块的功能,本文采用统一建模语言UML绘制系统功能用例图来对系统功能内容进行梳理,系统主要包括个人中心模块、主界面模块、实时监测模块、历史数据模块以及空气质量预测模块。本系统所采用的数据主要包括空气质量数据和气象数据,由于所需数据量较大、种类较多,因此采用Scrapy数据爬取技术和My SQL数据库技术来设计实现数据爬取及存储系统;采用SQLAlchemy架构作为对象关系映射（ORM）以此来设计My SQL数据库并建立数据表用以对用户数据、空气质量数据、气象数据、监测站点信息以及网页信息的存储。系统还采用Flask框架来搭建系统后端服务器以完成系统内部的逻辑处理和数据通信,采用Vue框架来设计前端显示页面。在开展预测模型研究方面,首先对数据进行预处理操作,建立相应的数据训练集和测试集,然后对天气因子具进行相关系数分析,并通过信息熵、灰色关联分析法实现对预测因子的选择。本文选择采用深度学习算法RNN和LSTM来对空气质量预测模型进行研究,循环神经网络RNN能够根据当前输出和历史输入得出相关性从而对序列数据进行建模,但是由于一个隐藏层的表示能力有限,因此,选择构建深度循环神经网络（DRNN）和深度长短时间记忆神经网络（DLSTM）预测模型,通过改变隐藏层数目和隐藏层单元的个数来确定最优预测模型。最终的仿真结果表示,DLSTM的预测结果优于DRNN,预测准确度高达92.85%,该模型具有较好的应用价值,结合开发的空气质量监测及预警系统,能够准确预测乌海矿区多种空气污染物浓度数值及变化趋势。最后完成本系统测试和部署工作,测试结果表明系统的各项功能和性能参数都能达到应用标准,本系统为环保部门实现空气污染的有效治理提供可行参考,从而为乌海矿区生态安全提供强有力的技术支撑,对于规范矿区的生产,加快矿区的生态恢复具有十分重要的意义。
二、上海市空气质量数据管理和查询系统的构建（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、上海市空气质量数据管理和查询系统的构建（论文提纲范文）
（2）基于神经网络的PM2.5浓度预测研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的创新点 |
| 1.4 论文的主要工作 |
| 1.5 论文章节安排 |
| 第二章 神经网络概述 |
| 2.1 神经网络简介 |
| 2.1.1 神经元结构 |
| 2.1.2 神经网络的结构 |
| 2.1.3 神经网络的学习 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络结构 |
| 2.2.2 BP学习算法 |
| 2.3 本章小结 |
| 第三章 数据预处理与PM2.5 变化规律研究 |
| 3.1 数据来源 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 数据归一化 |
| 3.3 PM2.5 浓度季节变化规律分析 |
| 3.4 PM2.5 浓度影响因素相关性分析 |
| 3.4.1 相关系数介绍 |
| 3.4.2 PM2.5与相关影响因素之间的相关性分析与仿真 |
| 3.5 本章小结 |
| 第四章 基于BP神经网络的PM2.5小时浓度多步预测 |
| 4.1 预测问题描述 |
| 4.2 模型评价指标 |
| 4.3 实验流程介绍 |
| 4.4 数据预处理与数据集构造 |
| 4.4.1 数据预处理 |
| 4.4.2 数据集构造 |
| 4.5 预测模型设计与训练 |
| 4.5.1 预测模型输入变量的确定 |
| 4.5.2 神经网络参数确定 |
| 4.5.3 BP神经网络训练过程 |
| 4.6 实验仿真 |
| 4.6.1 实验环境 |
| 4.6.2 基于BP神经网络的预测模型训练与结果分析 |
| 4.6.3 基于季节优化的预测模型训练与结果分析 |
| 4.6.4 实验结果对比分析 |
| 4.7 本章小结 |
| 第五章 PM2.5 浓度实时预测系统的设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 用户需求分析 |
| 5.1.2 功能性需求 |
| 5.1.3 非功能性需求 |
| 5.2 系统设计 |
| 5.2.1 系统总体设计 |
| 5.2.2 系统详细设计 |
| 5.3 系统实现 |
| 5.3.1 系统开发环境 |
| 5.3.2 历史数据查看界面 |
| 5.3.3 实时数据显示界面 |
| 5.3.4 PM2.5浓度值预测界面 |
| 5.4 系统测试 |
| 5.4.1 功能测试 |
| 5.4.2 性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（3）基于关联规则构建的城市空气质量监测设备布点选址方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空气质量预测研究现状 |
| 1.2.2 空气质量监测设备布点选址研究现状 |
| 1.3 论文主要研究内容及创新点 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文组织结构 |
| 第2章 相关基础知识 |
| 2.1 谱图理论 |
| 2.2 矩阵理论 |
| 2.3 图卷积神经网络 |
| 2.4 全连接神经网络 |
| 2.5 空气质量指数AQI |
| 第3章 城市空气质量推断模型 |
| 3.1 引言 |
| 3.2 预备工作与问题描述 |
| 3.2.1 研究区域 |
| 3.2.2 城市区域划分 |
| 3.2.3 数据收集 |
| 3.2.4 构建城市时空图 |
| 3.2.5 空气质量分布预测问题 |
| 3.3 基于高阶图卷积网络的城市空气质量推断模型 |
| 3.3.1 图卷积网络 |
| 3.3.2 高阶图卷积网络的设计 |
| 3.3.3 空气质量推断模型 |
| 3.3.4 网络损失与训练 |
| 3.3.5 算法优化 |
| 3.4 实验结果与分析 |
| 3.4.1 数据描述 |
| 3.4.2 数据处理 |
| 3.4.3 实验设置 |
| 3.4.4 实验分析 |
| 3.5 本章小结 |
| 第4章 空气质量监测设备布点选址 |
| 4.1 引言 |
| 4.2 相关概念与问题描述 |
| 4.2.1 环境空气质量监测点位布设步骤 |
| 4.2.2 环境空气质量点监测位布设原则 |
| 4.2.3 环境空气质量监测点位布设选址问题描述 |
| 4.3 基于空气质量推断模型的监测设备点位推荐 |
| 4.3.1 关联规则分析 |
| 4.3.2 基于信息熵最小化的贪心算法 |
| 4.3.3 网络架构设计 |
| 4.3.4 算法优化 |
| 4.4 实验结果与分析 |
| 4.4.1 数据描述及处理 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 相关工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）基于多类数据关联分析的空气质量预测系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空气质量预测 |
| 1.2.2 空气质量预测中的数字嵌入式表示 |
| 1.3 论文研究内容 |
| 1.4 论文结构 |
| 第二章 相关技术介绍 |
| 2.1 空气质量预测技术 |
| 2.2 注意力机制 |
| 2.2.1 多头注意力机制 |
| 2.2.2 注意力模块组成 |
| 2.3 TransE模型 |
| 2.4 本章小结 |
| 第三章 基于多类数据关联分析的空气质量预测系统设计 |
| 3.1 空气质量预测系统的任务分析 |
| 3.2 空气质量预测系统整体架构设计 |
| 3.3 数据层设计 |
| 3.4 业务处理层设计 |
| 3.4.1 多任务预测模块设计 |
| 3.4.2 数字表达学习模块设计 |
| 3.4.3 单任务预测模块设计 |
| 3.5 应用层设计 |
| 3.6 本章小结 |
| 第四章 基于多类数据关联分析的空气质量预测系统的实现 |
| 4.1 系统整体架构的实现 |
| 4.2 数据预处理模块实现 |
| 4.3 多任务预测模块实现 |
| 4.4 数字表达学习模块实现 |
| 4.5 单任务预测模块实现 |
| 4.6 本章小结 |
| 第五章 系统实验与测试 |
| 5.1 系统测试描述 |
| 5.1.1 测试过程 |
| 5.1.2 实验及测试环境 |
| 5.2 系统功能测试 |
| 5.2.1 系统应用功能测试 |
| 5.2.2 模型预测偏差性测试 |
| 5.3 系统性能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（5）基于深度学习的空气质量和交通关联性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 物理方法 |
| 1.2.2 统计方法 |
| 1.3 本文研究内容和创新点 |
| 1.3.1 PM_(2.5)浓度预测模型 |
| 1.3.2 城市交通对PM_(2.5)的时空排放模式 |
| 1.3.3 基于深度学习的源解析模型 |
| 1.3.4 交通排放对未来空气质量的影响评估 |
| 1.4 论文组织结构 |
| 第2章 数据集和排放清单 |
| 2.1 数据集 |
| 2.1.1 城市道路交通指数 |
| 2.1.2 气象数据集 |
| 2.1.3 空气质量数据集 |
| 2.1.4 汽车和新能源车数据集 |
| 2.2 数据处理及描述 |
| 2.2.1 数据处理说明 |
| 2.2.2 数据处理 |
| 2.2.3 数据描述 |
| 2.3 排放清单 |
| 2.3.1 排放源数据 |
| 2.3.2 计算过程 |
| 2.3.3 计算结果 |
| 2.4 本章小结 |
| 第3章 DeepAir: PM_(2.5)浓度预测模型 |
| 3.1 模型设计 |
| 3.2 相关技术 |
| 3.2.1 数据标准化 |
| 3.2.2 卷积层(Convolutionallayer) |
| 3.2.3 池化层(Pooling Layer) |
| 3.2.4 Flatten层 |
| 3.2.5 全连接层(Fully Connected Layer,FC) |
| 3.2.6 批标准化层(Batch Normalization,BN) |
| 3.3 模型结构 |
| 3.3.1 交通融合模块(TFM) |
| 3.3.2 特征交互模块(FIM) |
| 3.3.3 时间交互模块(TIM) |
| 3.3.4 外部因素融合 |
| 3.3.5 Learning and Optimization |
| 3.4 DeepAir算法框架 |
| 3.5 模型结果 |
| 3.5.1 评价指标 |
| 3.5.2 超参数 |
| 3.5.3 Baselines |
| 3.5.4 模型比较 |
| 3.5.5 消融实验 |
| 3.5.6 案例分析 |
| 3.6 本章小结 |
| 第4章 城市交通对PM_(2.5)的时空排放模式 |
| 4.1 研究背景 |
| 4.2 算法介绍 |
| 4.2.1 LRP算法 |
| 4.2.2 iDeepAir模型 |
| 4.3 交通时间排放模式 |
| 4.4 交通空间排放模式 |
| 4.5 本章小结 |
| 第5章 基于深度学习的源解析模型 |
| 5.1 模型准备 |
| 5.1.1 四大人为源的排放清单 |
| 5.1.2 基于iDeepAir模型的相关性得分 |
| 5.2 DeepSA模型结构 |
| 5.2.1 模型算法 |
| 5.2.2 模型框架 |
| 5.3 模型结果和分析 |
| 5.3.1 实验结果 |
| 5.3.2 人为源排放占比 |
| 5.3.3 人为源对PM_(2.5)浓度贡献值 |
| 5.4 本章小结 |
| 第6章 交通排放对PM_(2.5)浓度未来影响评估 |
| 6.1 2010-2017年交通对PM_(2.5)浓度的贡献 |
| 6.2 汽车和新能源车保有量 |
| 6.2.1 汽车和新能源车 |
| 6.2.2 2020-2030年汽车的保有量 |
| 6.2.3 2020-2030年新能源车保有量 |
| 6.3 汽车对PM_(2.5)浓度的影响 |
| 6.3.1 汽车保有量和PM_(2.5)浓度拟合函数 |
| 6.3.2 2020-2030年汽车和新能源车的影响 |
| 6.3.3 评估不同政策下交通对PM_(2.5)浓度的影响 |
| 6.4 本章小结 |
| 第7章 总结和展望 |
| 7.1 工作总结 |
| 7.1.1 深度层次性的多信息融合的PM_(2.5)浓度预测模型 |
| 7.1.2 基于逐层相关性传播(LRP)算法的透明化模型 |
| 7.1.3 基于深度学习方法建立一套新的源追溯模型 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（6）基于场景图像的空气质量等级识别模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 空气质量检测研究现状 |
| 1.3.2 图像空气质量识别研究现状 |
| 1.3.3 图像天气识别研究现状 |
| 1.3.4 多任务研究现状 |
| 1.4 论文研究思路及方法 |
| 1.5 论文组织结构 |
| 第2章 基于RESNET的空气质量场景图像评估模型 |
| 2.1 图像分类方法介绍 |
| 2.2 识别对象选择 |
| 2.3 空气质量场景图像数据集的构建 |
| 2.3.1 数据采集 |
| 2.3.2 数据预处理 |
| 2.4 空气质量评估模型构建 |
| 2.5 实验结果与分析 |
| 2.5.1 空气质量评估模型训练 |
| 2.5.2 模型评价 |
| 2.5.3 模型性能对比 |
| 2.6 本章小结 |
| 第3章 空气质量图像识别中基于深度学习的天气特征分析 |
| 3.1 天气特征与空气质量的相关性 |
| 3.1.1 光照对空气质量的影响 |
| 3.1.2 降水对空气质量的影响 |
| 3.2 天气-空气质量图像数据集构建 |
| 3.2.1 图像数据子集 |
| 3.2.2 天气数据子集 |
| 3.2.3 空气质量数据子集 |
| 3.3 数据预处理 |
| 3.4 天气识别模型 |
| 3.5 实验参数 |
| 3.6 实验结果与分析 |
| 3.7 讨论 |
| 3.8 本章小结 |
| 第4章 融合天气特征的空气质量图像识别多任务模型研究 |
| 4.1 融合天气特征的图像空气质量评价模型 |
| 4.1.1 多任务共享机制 |
| 4.1.2 模型网络结构 |
| 4.1.3 多任务框架 |
| 4.2 实验及分析 |
| 4.2.1 实验参数设置 |
| 4.2.2 WAQI数据预处理 |
| 4.2.3 空气质量识别模型训练 |
| 4.2.4 模型评价模型对比 |
| 4.3 结论分析 |
| 4.4 模型应用 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 结论 |
| 主要结果与创新点 |
| 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（7）统计分析和机器学习方法在银川市空气质量预测中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容与结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 AQI统计分析方法研究 |
| 2.1 银川市AQI统计性描述 |
| 2.2 气象因素的共线性诊断和主成分分析 |
| 2.2.1 共线性诊断 |
| 2.2.2 主成分分析 |
| 2.3 逐步回归模型的建立 |
| 2.4 本章小结 |
| 第三章 ABC-SVM分类预测算法应用研究 |
| 3.1 分类预测算法比较 |
| 3.1.1 随机森林算法 |
| 3.1.2 ABC-SVM算法 |
| 3.2 分类预测算法选择 |
| 3.2.1 随机森林模型实验结果及分析 |
| 3.2.2 SVM与 ABC-SVM的结果对比 |
| 3.3 本章小结 |
| 第四章 银川市AQI预测算法应用研究 |
| 4.1 算法选择 |
| 4.1.1 算法比较 |
| 4.1.2 实验结果对比 |
| 4.2 RBF神经网络应用与完善 |
| 4.2.1 特征拓展与高相似性特征数据筛选 |
| 4.2.2 基于特征拓展的自适应RBF神经网络模型结果 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 第五章 实验验证 |
| 5.1 分类预测模型验证 |
| 5.2 AQI预测模型验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（8）数据资产化及运营系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 数据资产化 |
| 1.2 数据资产运营 |
| 1.3 数据资产化和数据资产运营的挑战 |
| 1.4 本文的研究内容 |
| 1.5 本文的组织 |
| 第二章 数据资产研究现状 |
| 2.1 数据资产概念发展 |
| 2.1.1 信息资产及相关概念 |
| 2.1.2 数字资产及相关概念 |
| 2.1.3 数据资产及相关概念 |
| 2.2 数据资产管理 |
| 2.3 数据资产评估与定价 |
| 2.3.1 数据资产定价策略和模型 |
| 2.3.2 数据资产价值评估 |
| 2.4 数据流通 |
| 2.4.1 数据开放 |
| 2.4.2 数据共享 |
| 2.4.3 数据交易 |
| 2.5 小结 |
| 第三章 基于数据属性的数据资产定义 |
| 3.1 数据资产概念剖析 |
| 3.2 数据资源的资产性 |
| 3.2.1 界定数据 |
| 3.2.2 数据的属性 |
| 3.2.3 数据资源具备资产的基本条件 |
| 3.3 数据资产定义 |
| 3.3.1 已有三类资产定义的分析 |
| 3.3.2 重新定义数据资产 |
| 3.3.3 数据资产的属性 |
| 3.3.4 数据资产是一类新的资产类别 |
| 3.4 数据资产面临问题 |
| 3.4.1 数据权属 |
| 3.4.2 数据资产计量计价 |
| 3.4.3 数据资产的管理 |
| 3.5 小结 |
| 第四章 数据资产化框架 |
| 4.1 数据资产的必要条件及其可满足性 |
| 4.1.1 数据权属及其可满足性 |
| 4.1.2 数据计量及其可满足性 |
| 4.2 数据资产化的附加条件及其可满足性 |
| 4.2.1 良好的数据质量及其可满足性 |
| 4.2.2 合理的货币计价与评估方法及其可满足性 |
| 4.2.3 数据资产折旧和增值规则及其可满足性 |
| 4.3 数据资产化框架设计 |
| 4.3.1 数据资产化工作内容 |
| 4.3.2 数据资产化流程 |
| 4.3.3 有效性分析 |
| 4.4 数据资产化实践 |
| 4.4.1 数据资源确权 |
| 4.4.2 数据价值确认与质量管控 |
| 4.4.3 数据装盒入库 |
| 4.4.4 货币计价与评估 |
| 4.4.5 数据资产折旧和增值的管理 |
| 4.5 小结 |
| 第五章 基于测度空间的数据资产计量计价形式化框架 |
| 5.1 离散数据空间上的测度 |
| 5.1.1 背景 |
| 5.1.2 模型 |
| 5.1.3 案例分析 |
| 5.2 连续数据空间上的测度 |
| 5.2.1 背景 |
| 5.2.2 模型 |
| 5.2.3 案例分析 |
| 5.3 乘积空间上的测度 |
| 5.3.1 背景 |
| 5.3.2 模型 |
| 5.3.3 案例分析 |
| 5.4 模型应用实例分析 |
| 5.5 小结 |
| 第六章 数据产品运行的两阶段授权模式 |
| 6.1 数据产品流通 |
| 6.1.1 数据产品与实物产品 |
| 6.1.2 数据产品流通存在的问题 |
| 6.2 典型行业数据产品形态及其运行体系 |
| 6.2.1 典型行业数据产品及其形态 |
| 6.2.2 典型行业数据产品运行体系 |
| 6.3 数据产品两阶段授权模式 |
| 6.3.1 授权与定价 |
| 6.3.2 两阶段授权模式 |
| 6.3.3 有效性分析 |
| 6.4 两阶段授权数据产品运营平台体系结构 |
| 6.5 小结 |
| 第七章 一类大数据产品运行体系 |
| 7.1 大数据产品 |
| 7.2 图书的启示 |
| 7.2.1 图书的定义和形态 |
| 7.2.2 图书有效融合多种数据类型 |
| 7.2.3 图书的定价 |
| 7.3 大数据产品形态与定价量纲 |
| 7.3.1 大数据产品形态的调查 |
| 7.3.2 大数据产品的要素 |
| 7.3.3 数据盒:一种大数据产品的形态 |
| 7.4 基于数据自治开放模式的运行体系 |
| 7.4.1 数据自治开放模式 |
| 7.4.2 运行体系的构成和要素 |
| 7.4.3 运行体系的法规环境及权益保护 |
| 7.5 小结 |
| 第八章 总结及展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录 |
| 附录A 大数据产品调研问卷内容 |
| 附录B 大数据产品问卷调查报告 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）医院门诊环境的服务质量评价模型研究 ——以上海市第六人民医院为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 医疗模式发展促进医疗环境的变化 |
| 1.1.2 人民健康问题的突出对医疗服务需求增加 |
| 1.1.3 日益增加的人民需求对医疗服务质量的提高 |
| 1.2 研究内容 |
| 1.2.1 门诊环境的服务流程与内容 |
| 1.2.2 门诊患者对环境服务的评价 |
| 1.2.3 门诊环境服务的优化策略 |
| 1.3 研究思路与框架 |
| 1.4 主要研究方法 |
| 1.5 研究现状 |
| 1.5.1 医疗门诊环境研究 |
| 1.5.2 医疗门诊服务研究 |
| 1.6 研究目的与意义 |
| 1.6.1 研究目的 |
| 1.6.2 研究意义 |
| 1.7 研究创新点 |
| 第2章 理论研究基础和研究现状 |
| 2.1 服务质量(Quality of Service)概述 |
| 2.1.1 服务质量理论概念发展 |
| 2.1.2 服务质量的特征 |
| 2.1.3 服务质量评价研究方法 |
| 2.1.4 服务质量的评价维度 |
| 2.1.5 服务质量研究模型 |
| 2.1.6 服务质量在门诊环境服务中的研究 |
| 2.2 使用后评价(Post Occupancy Evaluation)概述 |
| 2.2.1 使用后评价理论发展 |
| 2.2.2 使用后评价研究内容 |
| 2.2.3 使用后评价研究范式和方法 |
| 2.2.4 使用后评价研究应用的目的 |
| 2.2.5 使用后评价在国内外的发展 |
| 2.2.6 使用后评价在门诊环境服务中的应用 |
| 2.3 数据挖掘研究 |
| 2.3.1 数据挖掘(Data Mining)概述 |
| 2.3.2 数据挖掘的演变历程 |
| 2.3.3 数据挖掘的任务和模式类型 |
| 2.3.4 数据挖掘研究方法 |
| 2.3.5 数据挖掘的过程 |
| 2.3.6 数据挖掘于医疗服务领域的研究 |
| 第3章 门诊环境的服务质量评价体系构建 |
| 3.1 SERVQUAL服务质量模型应用理论 |
| 3.1.1 SERVQUAL模型的概述 |
| 3.1.2 SERVQUAL模型的适用性 |
| 3.1.3 SERVQUAL模型的工作原理 |
| 3.1.4 服务质量模型的信度和效度检测 |
| 3.2 AHP层次分析法评价体系 |
| 3.2.1 AHP层次分析法概述 |
| 3.2.2 AHP层次分析法工作原理 |
| 3.2.3 AHP层次分析法评价指标计算过程 |
| 3.3 门诊环境服务质量评价体系构建 |
| 3.3.1 门诊环境服务流程分析 |
| 3.3.2 门诊环境服务现状调研 |
| 3.3.3 医院门诊服务网络评价研究 |
| 3.3.4 门诊环境服务评价模型架构 |
| 3.3.5 门诊环境服务评价内容和标准 |
| 第4章 门诊环境的服务质量评价分析 |
| 4.1 门诊环境的服务质量评价实证测评 |
| 4.1.1 门诊环境的服务质量问卷样本描述性信息统计 |
| 4.1.2 门诊环境的服务质量问卷样本信度和效度分析 |
| 4.2 门诊环境的服务质量问卷样本数据分析 |
| 4.3 门诊环境的服务质量指标权重分析 |
| 4.4 门诊环境服务质量综合分析 |
| 第5章 门诊环境服务设计策略和实践 |
| 5.1 门诊环境服务策略分析流程 |
| 5.2 门诊环境服务痛点分析 |
| 5.3 门诊环境服务设计策略 |
| 5.4 门诊大厅服务设备筛选 |
| 5.5 门诊智能导航设备设计优化 |
| 5.5.1 智能服务机器人设计 |
| 5.5.2 智能服务交互设计 |
| 第6章 总结与展望 |
| 6.1 研究与结论 |
| 6.2 研究局限 |
| 6.3 研究展望 |
| 参考文献 |
| 硕士学位期间研究成果 |
| 致谢 |
| 附录一 医院门诊环境的服务质量调查问卷 |
| 附录二 医院门诊环境的服务权重调查问卷 |
| 附录三 门诊大厅服务设备问卷调研 |
| 附录四 门诊智能服务机器人尺寸图 |
| 附录五 设计手册 |
（10）乌海矿区空气质量监测及预警系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 相关技术国内外研究及应用现状 |
| 1.2.1 神经网络预测模型 |
| 1.2.2 空气质量监测平台 |
| 1.3 论文的研究目标和内容 |
| 1.4 论文的组织结构 |
| 2 系统需求分析与总体方案设计 |
| 2.1 系统总体目标 |
| 2.2 数据爬取系统需求分析 |
| 2.3 系统软件功能需求分析 |
| 2.3.1 个人中心模块 |
| 2.3.2 主界面模块 |
| 2.3.3 实时监测模块 |
| 2.3.4 历史数据模块 |
| 2.3.5 空气质量预测预警模块 |
| 2.4 系统软件性能需求分析 |
| 2.5 系统总体方案设计 |
| 2.5.1 系统软件架构设计 |
| 2.5.2 系统物理架构设计 |
| 2.5.3 系统通信架构设计 |
| 2.6 本章小结 |
| 3 数据爬取系统的设计与实现 |
| 3.1 数据来源 |
| 3.2 scrapy数据爬取技术 |
| 3.3 数据采集流程 |
| 3.4 数据库的设计与实现 |
| 3.4.1 mysql简介 |
| 3.4.2 数据表设计原则 |
| 3.4.3 数据表结构设计 |
| 3.5 本章小结 |
| 4 基于深度学习的空气质量预测模型研究 |
| 4.1 数据的预处理 |
| 4.1.1 数据缺失值处理 |
| 4.1.2 数据异常值处理 |
| 4.1.3 数据标准化处理 |
| 4.2 数据相关性分析与预测因子选择 |
| 4.2.1 数据相关性分析 |
| 4.2.2 预测因子的选择 |
| 4.3 基于深度循环神经网络的空气质量预测模型 |
| 4.3.1 循环神经RNN网络 |
| 4.3.2 基于DRNN的空气质量预测模型 |
| 4.3.3 仿真结果与分析 |
| 4.4 基于深度长短时间记忆神经网络的空气质量预测模型 |
| 4.4.1 长短期记忆LSTM网络 |
| 4.4.2 基于DLSTM的空气质量预测模型 |
| 4.4.3 仿真结果与分析 |
| 4.5 本章小结 |
| 5 空气质量监测及预警系统的实现 |
| 5.1 系统开发环境 |
| 5.2 前端页面开发 |
| 5.2.1 前端开发技术 |
| 5.2.2 前端各功能模块设计与实现 |
| 5.3 后端服务器开发 |
| 5.3.1 后端服务器开发技术 |
| 5.3.2 后端设计理念 |
| 5.3.3 后端各层级设计与实现 |
| 5.4 前后端交互的实现 |
| 5.4.1 前后端分离技术 |
| 5.4.2 交互中的问题 |
| 5.5 系统的测试与部署 |
| 5.5.1 系统测试 |
| 5.5.2 系统部署 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
四、上海市空气质量数据管理和查询系统的构建（论文参考文献）
- [1]面向大型石油装备的制造执行系统关键技术研究[D]. 白凯建. 上海大学, 2021
- [2]基于神经网络的PM2.5浓度预测研究与实现[D]. 尚俊倩. 西安石油大学, 2021(10)
- [3]基于关联规则构建的城市空气质量监测设备布点选址方法研究[D]. 陈杰. 中国科学技术大学, 2021(08)
- [4]基于多类数据关联分析的空气质量预测系统的研究与实现[D]. 陈津津. 北京邮电大学, 2021(01)
- [5]基于深度学习的空气质量和交通关联性研究[D]. 陈连亮. 中国科学技术大学, 2021(08)
- [6]基于场景图像的空气质量等级识别模型研究[D]. 付逢晨. 西北师范大学, 2021(12)
- [7]统计分析和机器学习方法在银川市空气质量预测中的应用研究[D]. 卢彬. 北方民族大学, 2021(08)
- [8]数据资产化及运营系统研究[D]. 叶雅珍. 东华大学, 2021(01)
- [9]医院门诊环境的服务质量评价模型研究 ——以上海市第六人民医院为例[D]. 施正宇. 华东理工大学, 2020(08)
- [10]乌海矿区空气质量监测及预警系统设计与实现[D]. 唐泰杰. 北京林业大学, 2020(02)