融合自注意力和时空卷积网络的空气质量预测方法
Air quality prediction methods based on self-attention and spatiotemporal convolutional network作者机构:江西理工大学电气工程与自动化学院江西赣州341000
出 版 物:《安全与环境学报》 (Journal of Safety and Environment)
年 卷 期:2023年第23卷第12期
页 面:4580-4589页
核心收录:
学科分类:07[理学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学]
基 金:江西省教育厅科技计划项目(GJJ190450) 江西省教育厅科技项目(GJJ180484)。
主 题:环境工程学 空气质量预测 PM_(2.5)质量浓度 时空相关性 自注意力 时间卷积网络
摘 要:准确预测空气质量对人体健康和社会环境治理具有积极影响。选取北京市35个监测站点自2019年2月1日至2020年1月31日的逐小时空气质量监测数据与气象数据,利用最大信息系数(Maximum Information Coefficient,MIC)对多个监测站点进行空间相关性分析,并通过升降维的卷积方式进行特征提取与信息整合,得到具有时空相关性的输入特征信息;构建融合自注意力(Self-Attention,SA)的时空卷积网络模型(Spatiotemporal Convolutional Network-Self-Attention,STCN-SA),对选定的中心站点进行未来1 h的PM_(2.5)质量浓度预测。结果表明:与常见的循环神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long Short-Term Memory Network,LSTM)模型相比,STCN-SA网络模型在平均绝对误差(E_(MAE))、均方根误差(E_(RMSE))和决定系数(R~2)表现出更好的预测性能。此外,该预测模型适用于不同空间位置的监测站点,具有良好的可移植性,可为预测空气污染物质量浓度提供重要参考。