检索结果-南通市图书馆

作者：公雪瑶青岛理工大学

学位级别：硕士

随着现代工业和交通的快速发展、人口快速膨胀和城市化进程,空气污染已成为一个全球性问题。因此,提高空气质量分析和预测的科学性与准确性,可以帮助政府及时采取有效的防控措施,保护公众健康,改善人民生活质量。空气污染物的形成与扩... 详细信息

随着现代工业和交通的快速发展、人口快速膨胀和城市化进程,空气污染已成为一个全球性问题。因此,提高空气质量分析和预测的科学性与准确性,可以帮助政府及时采取有效的防控措施,保护公众健康,改善人民生活质量。空气污染物的形成与扩散受多种因素的影响,对空气质量的精准预测提出了诸多挑战:1)空气质量同时受气象等时间因素以及路网结构、土地利用等空间因素的影响,是空气污染物颗粒与时空因素的复杂交互过程的结果;2)由于设备维护及软件错误等原因,采集的空气污染物数据以及相关的时空特征数据存在较多的异常及缺失值,部分特征数据缺失比例极高;3)空气质量多步长时预测随着步长增大性能降低,如何更好地挖掘预测序列与历史序列的相关性从而提高预测性能尚有待研究。针对利用目标空气质量监测点及其邻近空气质量监测站点采集的历史监测数据来预测未来时刻目标站点的空气质量值的问题,提出了一种基于时空混合深度学习模型C3D-LSTM。首先,利用改进的反距离加权(Inverse Distance Weight,IDW)和改进的简单平滑指数法(Simple Exponential Smoothing,SES)模型对所有站点缺失的数据进行填充。其次,采用三维卷积神经网络(3D Convolutional Networks,C3D)对时空维度上的信息进行联合卷积以提取时空特征,通过长短时记忆神经网络(Long Short-Term Memory,LSTM)来解决长时数据序列特征提取,将提取的特征经过全连接网络实现对空气质量的预测。最后,基于三种不同指标与空气质量预测方面较为主流的单模型、混合模型的对比来验证所提模型的有效性。为解决多站点空气质量的长时预测提出一种基于空间数据辅助Seq2seq学习的模型SSF。首先,从两种不同类型特征的角度,采用K-最近邻(K-Nearest Neighbor,KNN)方法对所有站点数据的缺失值进行填充以及嵌入。其次,基于空气质量数据间的时间、空间相关性,采用融合注意力机制的Seq2Seq结构来表征时间依赖性,添加自注意力机制的自编码器来捕获站点间的空间相关性。最后,基于北京市21个站点的真实数据集设计了三种不同实验场景,与基准模型的对比试验和消融实验均能证明所提模型的有效性和优越性。

关键词：空气质量预测深度学习时空相关性三维卷积神经网络长短时记忆神经网络序列到序列注意力机制

基于经验模态分解和区域图神经网络的空气质量预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于经验模态分解和区域图神经网络的空气质量预测方法研究

作者：田旭燕山大学

学位级别：硕士

空气质量的主要污染物是PM2.5,而PM2.5的走势规律具有复杂非线性的特点,且PM2.5浓度同时受到时间和空间特性的影响,大多数预测方法只片面的考虑影响PM2.5的某个因素,同时也忽略了序列的平稳性特征。为此,本文采取了经验模态分解将非平... 详细信息

空气质量的主要污染物是PM2.5,而PM2.5的走势规律具有复杂非线性的特点,且PM2.5浓度同时受到时间和空间特性的影响,大多数预测方法只片面的考虑影响PM2.5的某个因素,同时也忽略了序列的平稳性特征。为此,本文采取了经验模态分解将非平稳序列转化为平稳序列,利用EMD-XGBoost分析时间上的依赖关系,使用图神经网络算法学习监测站间的时空关系,实现空气质量的精确预测,本文主要研究内容如下:首先,基于特征工程理论方法对空气质量数据集进行预处理。针对影响空气质量的气象特征进行相关性分析,实现了相应的特征选择。在此基础之上,分析出时间因素对PM2.5的影响以及监测站之间的PM2.5扩散规律和相互作用原理,为后续的预测模型提供基础。然后,针对具有时间特性的空气质量数据序列,提出了一种基于EMD-XGBoost的时序分析方法。将分解后的污染物的浓度序列和气象特征依次输入XGBoost机器学习框架行训练和预测,挖掘复杂因素影响下PM2.5演变规律。同时,在调参过程中引入了贝叶斯优化,挖掘最优超参数组合,进一步提升了分析效果。在此基础上,对比分析了相关时序预测方法的优劣性,并进行对比实验验证。最后,针对具有时间和空间特性的空气质量数据序列,提出了一种区域图神经网络空气质量预测模型。基于EMD-XGBoost时序分析方法提取了时间相关性特征,然后利用注意力机制自适应调整监测站间的影响权重,得到空间相关性特征。同时,将时间和空间特征进行融合得到区域间的影响系数邻接矩阵,作为区域图神经网络预测模型的输入。在此基础上,对比相关区域空气质量预测模型的优劣性,并进行实验验证。结论,所提出的预测模型在时序预测分析方法的基础之上,建立了一种区域图神经网络预测模型,该模型既考虑了时间关联性又考虑了空间关联性,比以往的预测模型在预测准确度方面有很大提升。

关键词：空气质量预测 XGBoost 经验模态分解贝叶斯优化图神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

神经网络在城市空气质量预测中的应用研究

神经网络在城市空气质量预测中的应用研究

作者：郭笙城湖州师范学院

学位级别：硕士

中国生态环境部相关数据显示,2020年全国城市环境空气质量达标率为59.9%,但空气质量的改善还不稳定,酸雨、雾霾等区域性重度污染天气还是时有发生,严重影响着人们的日常生活和身体健康。对空气质量进行预测能够为政府管理及人们生活提... 详细信息

中国生态环境部相关数据显示,2020年全国城市环境空气质量达标率为59.9%,但空气质量的改善还不稳定,酸雨、雾霾等区域性重度污染天气还是时有发生,严重影响着人们的日常生活和身体健康。对空气质量进行预测能够为政府管理及人们生活提供有价值的参考,对指导人们的日常生活具有重要意义。本文针对湖州市2014年至2021年的空气质量监测数据,开展空气质量预测相关研究,主要研究内容如下:（1）PCA-MEA-BP模型:为了改善BP神经网络收敛速度慢以及易于陷入局部最优的问题,本文采用主成分分析（PCA）对数据实施降维操作,使用思维进化算法（MEA）优化BP神经网络的权值和偏置。由对比实验可得:PCA-MEA-BP模型对湖州市空气质量指数（AQI）预测效果最佳,验证了PCA-MEA-BP模型的有效性和优越性。（2）LPP-BP模型:针对BP神经网络收敛速度慢的问题进行进一步研究,本文运用局部保留投影（LPP）对数据实施降维操作,在降维时能够保留更多数据间的局部结构信息。为了提升模型的预测效果,本文还提出依次对春季、夏季、秋季和冬季AQI进行预测的方法。由实验结果可得,基于季节预测的LPP-BP模型预测精度更高,具有实用意义。（3）BP-LSTM组合模型:针对BP神经网络无法兼顾AQI时序信息的问题,本文将BP神经网络与LSTM神经网络通过权重的方式组合实现模型的优势互补。设计BP-LSTM组合模型与单一模型的对比实验,验证BP-LSTM组合模型的有效性。（4）空气质量指数预测系统:基于BP-LSTM预测模型开发了空气质量指数预测系统。系统采用B/S架构,从数据层、业务逻辑层、数据表示层进行系统规划设计,并通过数据可视化方法提供城市AQI查询、城市历史AQI查询,并展示城市AQI未来变化趋势。

关键词：神经网络主成分分析思维进化算法局部保留投影算法空气质量预测

基于双向长短期记忆网络和注意力机制的空气质量预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双向长短期记忆网络和注意力机制的空气质量预测研究

作者：郝晓将江西师范大学

学位级别：硕士

近年来,随着我国科技的发展,人们的生活质量得到显著提高。但是,伴随着我国能源开采量和使用量的增大以及机动车辆的迅猛增加,空气污染问题愈发严重,有些地区已经出现了光化学烟雾现象,全国形成了多个酸雨地区,多地出现了雾霾天气、沙... 详细信息

近年来,随着我国科技的发展,人们的生活质量得到显著提高。但是,伴随着我国能源开采量和使用量的增大以及机动车辆的迅猛增加,空气污染问题愈发严重,有些地区已经出现了光化学烟雾现象,全国形成了多个酸雨地区,多地出现了雾霾天气、沙尘暴天气,已经严重威胁到我们的生存环境和生命健康。因此,许多学者对空气质量预测方法展开研究,以期可以对个体居民出行进行辅助决策,帮助政府环保部门在制定环保政策的时候提供理论支持。然而,现有的基于深度学习方法的预测模型,在时序预测上存在数据非线性关系处理不佳和特征提取能力有限等问题。为进一步提升模型的预测能力,本文展开以下研究工作:(1)本文搜集了北京市、天津市、太原市、南昌市、西安市和深圳市六个城市2015年到2022年的空气质量数据集,对数据集进行数据预处理,通过相关性分析得到的相关系数表和散点矩阵图可以看出,数据集中各个特征变量间存在多重共线性关系。(2)针对本文搜集的数据间存在多重共线性问题,现有时序预测模型存在数据并行处理不佳、无法有效保存数据长期依赖关系、无关特征干扰、数据噪声等问题,本文基于深度学习方法,结合多尺度卷积神经网络(Multiscale Convolution Neural Network,MConv)提取复杂多尺度时间特征信息的能力、双向长短期记忆网络(Bidirectional Long Short-Term Memory,Bi LSTM)更高的数据特征提取效率、注意力机制(Attention Mechanism,AM)对模型精度的提升能力以及全连接层对数据非线性问题的处理能力,提出了基于MConv-Bi LSTM-AM的空气质量预测模型,在六个城市的数据集上,对比分析卷积神经网络(Convolution Neural Network,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、Bi LSTM、CNN-LSTM、CNN-Bi LSTM、CNN-LSTM-AM和CNN-Bi LSTM-AM众多模型,证明该模型在数据特征的有效提取方面具有较大优势。(3)为进一步降低训练计算量,避免在梯度下降优化算法中出现局部最小情况,更好地捕捉数据间的长期依赖关系,引入多尺度回声状态网络(Multiscale Echo State Networks,MESN),提出基于MESN-Bi LSTM-AM的空气质量预测模型,该模型通过将储备池来代替MConv的隐藏层,调节网络内部的权值来实现短期记忆,保证网络权值达到全局最优,在六个城市的数据集上,对比分析包括MConv-Bi LSTM-AM在内的众多深度学习模型,证明了该模型的有效性。

关键词：空气污染多尺度卷积神经网络多尺度回声状态网络空气质量预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空特征的空气质量预测模型研究

基于时空特征的空气质量预测模型研究

作者：张雨晴北京石油化工学院

学位级别：硕士

生态文明建设是关系中华民族永续发展的千年大计,必须站在人与自然和谐共生的高度来谋划经济社会发展。随着城市化和工业化进程的快速推进,空气污染已成为全球面临的重大环境问题之一。AQI是判断空气污染程度的重要指标,准确的AQI预测... 详细信息

生态文明建设是关系中华民族永续发展的千年大计,必须站在人与自然和谐共生的高度来谋划经济社会发展。随着城市化和工业化进程的快速推进,空气污染已成为全球面临的重大环境问题之一。AQI是判断空气污染程度的重要指标,准确的AQI预测可以帮助国家、企业与个人及时制定相关计划。现有AQI预测模型主要基于时间特征,如何构建同时引入时间特征和空间特征的空气质量预测模型,提高预测准确率,是本研究的主要关注点。本文首先在研究空气污染物的组成、空气质量评估方法以及AQI影响因素的基础上,描述了现有AQI预测模型;接着,通过北京市各区地理位置构建了邻接矩阵,由GCN聚合出空间特征;然后,结合气象和空气污染物的时序监测数据、二层GCN和BiLSTM设计了同时具备时间特征和空间特征的图卷积双向长短期记忆网络GBiLSTM;最后,引入注意力机制构建了融入注意力机制的图卷积双向长短期记忆网络空气质量预测模型AGBiLSTM。本文选用BiLSTM、LSTM、GRU、GCN、GBiLSTM五个基础模型与AGBiLSTM模型进行了对比实验。采用收集到的35064行有关北京市空气污染物和气象的时序监测数据,从MAE和RMSE两个维度对各预测模型进行了性能分析。实验结果显示AGBiLSTM预测模型在MAE和RMSE两个维度均取得了最佳效果,这证明了该模型在空气质量预测方面具有较高的准确性和预测能力。通过引入邻接矩阵、GCN、BiLSTM和注意力机制,构建了更为准确的同时具备时间特征和空间特征的空气质量预测模型。但考虑到大气环境变化的复杂性,AGBiLSTM空气质量预测模型仍然存在一定的局限性,可以在更多维度增加优化因素。

关键词：空气质量预测时空特征注意力机制邻接矩阵

基于ELM和多目标灰狼优化算法的空气质量预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于ELM和多目标灰狼优化算法的空气质量预测

作者：王菲东北财经大学

学位级别：硕士

随着经济的飞速发展,我国的环境问题变得愈发突出,空气污染已经成为影响我们日常生活的一个重大问题。各种空气污染物不仅会加剧环境恶化,引发温室效应,臭氧空洞,光化学烟雾等环境灾害,还会导致全球范围内健康风险和疾病负担增加,严重... 详细信息

随着经济的飞速发展,我国的环境问题变得愈发突出,空气污染已经成为影响我们日常生活的一个重大问题。各种空气污染物不仅会加剧环境恶化,引发温室效应,臭氧空洞,光化学烟雾等环境灾害,还会导致全球范围内健康风险和疾病负担增加,严重危害人类的生命健康。因此,对空气质量信息进行准确的挖掘和检测,有效跟踪大气污染状况,不仅能够为环境管理部门制定空气污染防控措施提供可靠帮助,还在一定程度上降低了空气污染对人类生命健康造成的危害。在此背景下,本文提出了一种基于变分模态分解(VMD)、多目标灰狼优化算法(MOGWO)和极限学习机(ELM)的新型混合模型对空气质量指数(AQI)进行预测。在预测过程中,首先使用VMD分解技术将原始AQI数据分解为具有不同频率的分量,以挖掘该时间序列中的有效特征并过滤掉原始序列中的噪声。然后选择具有良好预测性能的ELM神经网络模型作为预测器,将预测误差的均方误差(MSE)和标准偏差(STD)作为该预测器优化的目标函数,使用MOGWO算法对ELM的权值与阈值进行优化,从而建立ELM的进化算法MOGWO-ELM,并对上述分解后获取的子序列分别拟合模型进行预测。最后将各个子序列的预测结果进行累加得到最终的预测结果。为了验证本文多提组合预测模型的有效性,通过“空气质量在线监测分析平台”收集了大连市2020年1月1日-2021年12月31日的平均每日AQI数据进行实证分析,以此建立模型并使用几个传统的评价指标:平均绝对百分比误差(Mean Absolute Percent Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)和均方跟误差(Root Mean Square Error,RMSE)对模型的预测性能进行分析评估。此外,另建立了 6组混合预测模型和3组单一预测模型与其进行对比,以进一步验证模型具备良好的预测性能。通过对实证研究部分的一系列讨论,发现本文所提混合模型VMD-MOGWO-ELM在空气质量预测方面表现出了良好的预测性能,预测效果显著优于其他对比模型。其中,VMD分解技术通过将原始数据分解成不同频率的子序列降低了AQI数据的噪声,MOGWO算法从预测精度和稳定性两方面优化了 ELM模型输入层与隐含层的权值和阈值,两者对ELM模型的预测性能均产生积极影响,显著提高了模型的预测精度。由此表明,本文所提新型混合预测模型可以作为一种有效的空气质量预测技术,以实现预测精度和稳定性的双重提高。本文的创新点如下:(1)在数据预处理部分,使用变分模态分解VMD算法将原始AQI序列数据分解为具有不同频率的离散数量的分量,以过滤高频噪声,进一步挖掘时间序列频率的有效特征。(2)使用多目标优化算法MOGWO对神经网络模型的权值与阈值进行优化,以实现模型预测精度与稳定性的双重提高。(3)在预测部分,建立了一个具有良好学习能力的ELM神经网络模型,对VMD分解后得到的每个子序列分别使用MOGWO-ELM进行拟合预测,最后将各子序列的预测结果进行加总处理,计算出AQI的最终预测结果。由此建立了一个基于VMD-MOGWO-ELM的新型混合模型用于空气质量的预测中。

关键词：空气质量预测变分模态分解极限学习机多目标灰狼优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空特征分析的空气质量预测模型研究

基于时空特征分析的空气质量预测模型研究

作者：黄琨昆明理工大学

学位级别：硕士

近年来,随着城市化和工业化的快速推进,许多城市和地区的空气污染正在加重,空气质量的恶化给人们的工作、学习、生活带来了极大的不便,同时长期吸入空气污染物会对人体健康造成不良影响。因此,利用现有科学方法对空气质量进行有效地监... 详细信息

近年来,随着城市化和工业化的快速推进,许多城市和地区的空气污染正在加重,空气质量的恶化给人们的工作、学习、生活带来了极大的不便,同时长期吸入空气污染物会对人体健康造成不良影响。因此,利用现有科学方法对空气质量进行有效地监控与预测成为一个重要研究方向。由于空气具有空间扩散性,目标站点的空气质量易受到相邻站点的影响,现有研究往往基于时序的方法进行预测建模,未能有效利用空气质量数据中的时空特征进行预测,预测精度有限。为了能够进一步提高空气质量预测的精度,本文综合分析了空气质量数据的时空特征和空气污染物间的相关性,提出了一种融合时空特征的空气质量预测模型。本文主要研究内容如下:(1)针对空气质量预测的时空因素及多因素影响问题,首先探讨分析了空气污染物的年份、季节、月份时间变化特性;然后利用自相关性衡量空气质量数据的时间相关性,使用Pearson相关系数计算空气质量监测点之间的空间相关性和多种污染物之间的因素相关性,为预测模型提供数据分析基础。(2)空气质量数据在呈现方式上具有序列特征,同时存在时间和空间特性。针对现有研究未能有效利用数据中的时空特征进行预测,依据空气监测站的空间位置分布,将其按照经纬度进行空间划分,将空气污染物及气象数据转换为可训练的时空序列图像,通过结合卷积长短期记忆(Convolutional LSTM,Conv LSTM)和三维卷积(3D Convolution,Conv3D),提出一种融合时空特征的Conv LSTM-Conv3D空气质量预测模型,其中,Conv LSTM用于空气污染物预测建模,三维卷积用于气象因素预测建模,将两种模型输出进行集成,得到最终预测图像。(3)为验证模型的预测性能,选取香港9个空气监测站及6个气象站2019年1月至2020年12月的数据为研究对象,对空气质量中的主要污染物PM及PM进行短期多步预测。实验结果表明,Conv LSTM-Conv3D模型在预测准确性优于其它五种对比模型。

关键词：时空特征数据分析 ConvLSTM 三维卷积空气质量预测

基于神经网络和Kriging模型的空气质量预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络和Kriging模型的空气质量预测研究

作者：向宇兴河北工程大学

学位级别：硕士

空气污染是当前困扰我国发展的一大难题,对生产生活造成了诸多不便,并且严重影响人们的身心健康。精准的空气质量预测能够让人们提前做好防范措施,减少有害天气对人体的危害,推动环境保护部门更高效的完成空气污染治理工作,因此空气质... 详细信息

空气污染是当前困扰我国发展的一大难题,对生产生活造成了诸多不便,并且严重影响人们的身心健康。精准的空气质量预测能够让人们提前做好防范措施,减少有害天气对人体的危害,推动环境保护部门更高效的完成空气污染治理工作,因此空气质量预测是一项具有重要现实意义的课题。主要研究内容如下:首先,对空气污染浓度具有密切关联的气象因素进行了分析探究。对河北省内近年的气温、气压、湿度、降水、风速进行相关性分析,并将历年的气象数据和空气质量指数（Air Quality Index,AQI）数据进行对比分析,验证各个气象因素和AQI之间的相关性,选择显著的气象因素最终输入空气质量预测模型。其次,针对时间维度上的预测模型选择BP神经网络模型,并提出一种改进的粒子群算法对其优化提升准确度。改进的粒子群算法以两段非线性递减曲线改变惯性权重,学习因子以正切函数进行动态变化,并保持自适应变异,能很好的避免粒子陷入局部极值,保证粒子的快速收敛。通过实验分析验证,基于改进粒子群算法优化的BP神经网络模型具有精度高、稳定性好等优点。最后,空间维度上的预测模型选择Kriging插值模型,并用改进的遗传模拟退火算法对其优化提升插值精度。算法采用sigmoid交叉变异曲线和精英保留策略使优秀个体得以最大化保留,Metropolis准则在面对较差的新个体时,进行基因逆转操作增加个体多样性。通过实验分析验证,改进遗传模拟退火算法优化的Kriging模型具有更快的收敛速度和更高的插值精度。根据空气质量信息与气象信息能够预测AQI分布,预测结果具有直观、准确的优点。

关键词：空气质量预测神经网络粒子群算法 Kriging插值遗传退火算法

基于集成学习和非参数方法的空气质量预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成学习和非参数方法的空气质量预测研究

作者：杜宗娟兰州大学

学位级别：硕士

随着我国城市化和工业化进程不断加快,能源消耗不断增长,我国大部分城市面临着空气污染问题,这对居民健康造成了严重影响。因此,构建有效的空气质量预测系统来为工业生产和居民健康生活提供信息是一项紧迫的任务。现有研究大多仅仅集中... 详细信息

随着我国城市化和工业化进程不断加快,能源消耗不断增长,我国大部分城市面临着空气污染问题,这对居民健康造成了严重影响。因此,构建有效的空气质量预测系统来为工业生产和居民健康生活提供信息是一项紧迫的任务。现有研究大多仅仅集中于空气污染物浓度的确定性预测,难以提供对于空气污染防治有用的不确定性信息。因此,本文提出了一个集确定性预测和概率预测为一体的空气质量预测模型。确定性预测以构建精确的、泛化能力强的点预测模型为目标。因此,本文首先选择六种主要污染物作为研究对象,通过聚类方法选择具有不同污染特征的城市作为研究案例。其次,利用一种高效的数据预处理方法充分挖掘原始时间序列的潜在特征,即把原数据序列分解为若干个分量。再次,利用一种自适应的增量极限学习机分别对每个分量分别进行预测,并将预测结果求和得到最终预测结果。最后,采用模糊评价方法将点预测结果转化为空气质量等级信息。三个城市18个数据集的实验结果以及统计检验结果表明,本文建立的基于集成学习的确定性预测模型较基准模型具有更高的准确性和更强的泛化能力。为了获得空气污染物的不确定性信息,本文继续构建了基于非参数方法的概率预测模型。该模型首先以确定性预测误差作为输入,通过神经网络分位数回归得到一系列分位数,结合确定性预测结果,构建预测区间。其次,将这一系列分位数作为输入,通过核密度估计方法得到污染物的概率密度函数。最后,实验结果表明,本文建立的概率预测模型相对于其它基准模型有更准确的预测区间和概率密度函数。

关键词：空气质量预测集成学习概率预测分位数回归核密度估计

一种基于CNN-BiLSTM的空气质量预测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于CNN-BiLSTM的空气质量预测方法

作者：朱碧波华北电力大学(北京)

学位级别：硕士

近年来,随着我国工业化进程的不断推进,我国的空气污染问题也日益严重。为监控空气污染,我国设立了数量排名世界前列的空气质量监测站,对空气中的各项化学物质浓度进行了精细的监测,利用空气中化学物质信息,对空气质量做出预测,具有十... 详细信息

近年来,随着我国工业化进程的不断推进,我国的空气污染问题也日益严重。为监控空气污染,我国设立了数量排名世界前列的空气质量监测站,对空气中的各项化学物质浓度进行了精细的监测,利用空气中化学物质信息,对空气质量做出预测,具有十分重要的现实意义。结合国内外对于空气质量指数预测的方法和模式,本文提出了一种基于CNN-BiLSTM-Multi-Head Attention的空气质量指数预测模型,其综合运用了卷积神经网络(CNN)能有效提取数据特征的特点,双向长短期记忆网络(BiLSTM)通过构建前向长短期记忆网络和后向长短期记忆网络(LSTM)从而更好地发现时序数据中隐藏的信息的优势和多头注意力机制(Multi-Head Attention)相较于简单注意力机制更能学习到不同时刻数据的特征对于数据的影响程度的特点。根据提出的模型,利用北京市空气质量和气象数据集,设计了无间隔单时预测模式和间隔多步长单时预测模式两种预测模式,并同基于CNN-LSTM、CNN-BiLSTM和CNN-BiLSTM-Attention的空气质量预测模型进行了对比实验。实验使用相同的训练集数据对四种模型进行训练,选取最优的模型参数保存模型,并使用同一测试集基于平均绝对百分比误差(MAPE)、均方根误差(RMSE)和拟合优度(R2)三种评价指标对四种模型的预测结果进行了评价。通过对比四种模型在两种预测模式下的实验结果,基于CNN-BiLSTM-Multi-Head Attention模型的MAPE、RMSE、R2在四种模型中均表现最好。因此,基于CNN-BiLSTM-Multi-Head Attention的空气质量预测模型更适合对空气质量指数进行预测,也能够为有关部门做到空气质量预测提供思路,为预警污染天气做出有效参考。

关键词： CNN BiLSTM 多头注意力机制空气质量预测