空气质量特征及影响因子与空气质量预测的算法研究

作     者：刘天甲 

作者单位：桂林电子科技大学 

学位级别：硕士

导师姓名：吴劲松

授予年度：2023年

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）] 

主      题：探索性数据分析 空气质量预测 LSTM Informer 

摘      要：自从人们开始关注空气质量问题以来,空气质量的预测问题一直是众多研究者争相研究的方向。如何准确、快速、有效地预测空气质量,并找到影响空气质量的因素并进行预测,成为多年来一直困扰科学家和研究者的问题。本文围绕以上问题,利用数据分析与挖掘技术和深度学习技术展开研究。在实验中收集了大量历史空气质量数据,将这些数据作为本文研究的基础,其可以揭示空气质量与各种因素之间的关系。在实验中采用数据分析与挖掘技术,对数据进行处理和分析,以发现隐藏在数据中的特征。通过这种方式识别出对空气质量具有重要影响的因素,并为预测模型的构建提供依据。为了进一步提高预测准确性,本文引入深度学习技术并通过层次化的方式进行建模,设计并训练深度学习模型,以将历史数据中的模式和趋势与未来的空气质量水平相联系起来。这样的模型可以学习复杂的非线性关系,并具有较强的预测能力。本文重点关注的问题如下:(1)空气质量影响因素。本文使用数据分析与数据挖掘技术,对空气质量数据进行数据预处理、探索性数据分析,并且建立相应的图表,如散点图、柱状图、折线图以及热力图等。从图表的反馈中对空气质量影响因子进行分析,找到影响空气质量指数(AQI)的真正原因。(2)空气质量预测问题。使用深度学习技术,对一定时间以来的真实空气质量数据进行建模。本文提出基于多层LSTM的空气质量预测模型LSTM-Time Air Q和基于Informer网络的空气质量预测模型In-Time Air Q,并使用深度学习平台对两种空气质量预测模型进行训练、验证。(3)空气质量预测模型的改进。对提出的两种空气质量模型的基本网络结构进行改进:在基于LSTM的空气质量预测模型中,主要体现为设计一种基于多层LSTM块的空气质量预测模型网络结构,改进的创新点在于,在该结构上加入多层注意力机制模块,该模块能够使该结构能有效提升空气质量预测模型的性能,包括在多种评价指标上均取得良好效果;在对现有Informer网络提出改进方案中,创新点在于本文在其网络结构中加入了融合上下文特征的空间注意力机制,这种常被用于目标检测的注意力机制,在本文中被用于提取数据中的深层特征,并且期望该改进能够增强informer网络的短期预测能力。最后,在研究基础上得出总结,并验证两种空气质量预测模型在空气质量预测问题上的可行性。