利用人工智能神经网络预测广州市PM_(2.5)日浓度

作     者：李泽群 韦骏 LI Zequn;WEI Jun

作者机构：中山大学大气科学学院珠海519082 南方海洋科学与工程广东省实验室(珠海)珠海519082 广西大学海洋学院南宁530004 

出 版 物：《北京大学学报（自然科学版）》 (Acta Scientiarum Naturalium Universitatis Pekinensis)

年 卷 期：2021年第57卷第4期

页      面：645-652页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：广东省重点领域研发计划(2020B1111020003) 国家自然科学基金(41976007,91958101) 广西壮族自治区特聘专家专项经费(2018B08)资助 

主　　题：广州市 PM_(2.5) 整合移动平均自回归模型(ARIMA) 后向传播神经网络(BP) 长短期记忆神经网络(LSTM) 集合经验模态分解(EEMD) 

摘      要：利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM_(2.5)浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响。结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨率可以提升预报效果,尤其在ARIMA自回归模型预报中较为明显,用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题。由于模型使用前一天(t−1)的PM_(2.5)作为输入数据,即只能预报t+1天的PM_(2.5)值。为增加模型的预报时效,采用滚动预报的方式对模型进行优化,能够显著地提升预报时效,实现对t+n天的连续预报,且预报误差与后报结果相当。将时间精度为6 h的数据作为输入,用ARIMA模型进行预报的效果最好,最小MAE值为6.478。