基于深度学习混合模型的空气质量预测研究

作     者：秦俭 

作者单位：兰州大学 

学位级别：硕士

导师姓名：杨裔

授予年度：2021年

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0811[工学-控制科学与工程] 

主      题：空气质量预测 WaveNet RNN LSTM 差分进化算法 

摘      要：基于数据驱动的统计学模型在空气质量预测方面快速且精度适中,近年来得到了许多学者的大量关注。然而,空气质量预测涉及污染物浓度与气象等多种因素,尤其气象条件的变化会使污染物浓度产生较大波动,进而导致预测难度的增加。针对该问题,本文结合一种深度卷积神经网络（WaveNet）与长短期记忆网络（LSTM）,提出了深度学习混合模型WaveNet-LSTM,旨在将污染物浓度和气象因素同时应用于构建空气质量预测模型,主要研究内容如下:首先,本文在基于空气污染物的单变量自回归空气质量预测模型基础上引入了气象数据,同时使用格兰杰因果检验方法研究了多种气象因素在预测空气质量指标时的不同贡献。然后,基于反向传播神经网络（BPNN）、循环神经网络（RNN）和LSTM建立了多元空气质量预测模型。与基于空气污染物的单变量空气质量预测模型对比,融入气象数据后的多元预测模型精度更高。其次,鉴于简单模型较难准确泛化各影响因素与空气质量之间的内在关系,本文进一步提出了结合WaveNet和LSTM的混合模型WaveNet-LSTM。WaveNetLSTM模型可以有效提取空气污染物和气象数据之间的内在关系特征,同时具有全局特征和局部特征的提取能力。最后,本文引入了差分进化算法,旨在使混合模型的网络结构优化更加自动化,进而避免手工确定网络结构的繁琐,有效地提高了WaveNet-LSTM模型的鲁棒性。实验结果表明,基于差分进化算法优化的混合模型WaveNet-LSTM可以进一步提高空气质量预测的性能。