基于深度学习的空气质量预测模型及应用研究

作     者：王茗岩 

作者单位：南宁师范大学 

学位级别：硕士

导师姓名：潘颖

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：深度学习 空气质量预测 数据填充 注意力机制 季节性预测 

摘      要：随着科技的进步,城市化与工业化迅速发展的同时空气质量在不断地下降,生产和生活中产生的众多污染物飘散在空气中,无法及时处理,严重危害了人们的身体健康。在这种情况下如何更加准确地对空气质量进行预测成为了当前研究的热点。传统的预测方法在长期和短期预测时的准确率不高,且及易受到风速,雨水等气象状态和季节性变化的影响。在实际进行预测时往往还会受到数据集不全等方面的限制。近年来随着机器学习,深度学习和神经网络的提出,在空气质量预测上有了很大的提升。针对以上问题,本文研究了当前的主流空气质量预测方式和多种深度学习方法,并通过分析和实验,提出了适用于当前环境下的空气质量预测的模型,以及针对城市季节性变化进行空气质量预测的方法,主要研究内容如下:1、针对季节性问题,设计了一种针对季节性预测的模型,该模型包括季节性预测模块和时空注意力机制。通过两个模块的共同作用,对数据中长期或者短期的变化趋势进行捕捉,提高了捕捉效率,进一步找到其特征信息之间的关联性。通过使用季节性模块网络进一步利用季节性数据特征关联性增加预测效果,探索了气象因素对季节性预测的影响。2、针对广泛存在的空气质量数据大量缺失和当前的环境因素提出了一种改进的时空注意力机制预测模型MA-LSTM,并与常见模型的预测效果进行对比。分析了气象因素对模型预测的影响,对双向模型进行层数与每层神经元个数的调整,更加充分地提取站点内空气污染物的时间关联性和数据特征内部本身存在的关联性,加入改进的遗忘层减少了模型的过拟合问题,通过使用注意力机制进一步提高模型的准确性和鲁棒性。面对数据缺失问题,研究多种常用填充方式对不同模型的影响。本文使用北京市和武汉市这两个城市的空气质量数据集和气象特征数据集对提出的模型设计了相应的实验。针对季节性因素对预测带来的影响,通过使用季节性模块进行实验对比分析,更好的利用季节特征对空气质量进行准确的预测,同时分析了气象因素对模型的影响。对比常见模型的预测过程,对当前空气质量预测效果进行了比对,本文提出的MA-LSTM模型在长期和短期的预测效果上均优于现有常用模型,且有着较好的通用性,对常见的数据的填充方式和预测方式有着较好的预测效果。