检索结果-南通市图书馆

作者：黄家琪上海应用技术大学

学位级别：硕士

快速城市化进程过程中的空气质量问题一直备受人们关注,其关系着城市生态安全和居民健康生活,因此城市空气质量预测是当前研究的热点。本论文以上海市空气质量监测网络采集到的小时级历史空气质量数据及收集到的气象数据为研究样本,分... 详细信息

快速城市化进程过程中的空气质量问题一直备受人们关注,其关系着城市生态安全和居民健康生活,因此城市空气质量预测是当前研究的热点。本论文以上海市空气质量监测网络采集到的小时级历史空气质量数据及收集到的气象数据为研究样本,分析了城市空气质量指数(AQI)与大气主要污染物之间的相关关系,同时也分析了不同季节地表臭氧(O)浓度与气象因素的变化趋势,运用图注意力神经网络(GAT)、双向长短期神经网络(BiLSTM)等深度学习相关技术,并运用模态分解CEEMDAN等方法与深度学习技术相结合,进行了城市空气质量指数、地表O浓度等方面的预测研究。研究结果表明,上海市的四季AQI日均趋势各有差异,其中冬季AQI高于其它季度;上海市空气中二氧化氮(NO)浓度与地表O浓度呈现出相反的变化趋势;上海市冬季NO浓度明显高于其它季度;上海市地表O浓度与空气相对湿度具有一定的相关关系。利用GAT提取城市空气质量监测网络信息,结合具备拟合时序数据能力的BiLSTM,分析比较所提模型及其变体的预测性能,发现随着预测时间加长,性能明显提升;利用相关系数及所提模型的非线性特性,发现AQI与地表O浓度有一定的非线性关系,地表O浓度对上海市空气质量具有较大影响。利用模态分解相关技术中的CEEMDAN算法,结合样本熵(SE)和KMeans算法降低了时间序列的复杂度,提高了深度学习模型的信息提取效率,分析比较所提模型及其变体的预测性能,发现所提模型的单站点地表O浓度预测准确度高,并通过横向验证发现BiLSTM处理时序数据时有一定优势。

关键词：空气质量预测图注意力神经网络序列神经网络模态分解

基于深度学习的空气质量预测及可视化系统的开发

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的空气质量预测及可视化系统的开发

作者：武艳南京信息工程大学

学位级别：硕士

空气质量的优劣影响着人们的生活幸富感。近年来由于社会的飞速发展,空气污染日益严重,这使得人们在生活质量及身体健康等方面遭受了极大的威胁。其中较为突出的为PM2.5颗粒物,PM2.5浓度的过高会导致城市的能见度变低,形成重霾天气,严... 详细信息

空气质量的优劣影响着人们的生活幸富感。近年来由于社会的飞速发展,空气污染日益严重,这使得人们在生活质量及身体健康等方面遭受了极大的威胁。其中较为突出的为PM2.5颗粒物,PM2.5浓度的过高会导致城市的能见度变低,形成重霾天气,严重影响了人们的交通出行、社会生产等。不仅如此,PM2.5浓度过高还会引发呼叫道疾病、心血管病、心肺患者的过早死等。因此,建立一种科学准确的预测模型是管控和预防空气污染造成危害的必要前提。本文基于此提出了一种IPSO-Bi LSTM的神经网络预测模型,选取了空气质量因素和气象因素作为实验数据,通过使用灰色关联度分析筛选出与PM2.5关联度高的特征因素作为特征输入,并以Bi LSTM作为基础模型,通过PSO对Bi LSTM神经网络的学习率、batchsize、epoch、隐含层的节点数进行寻优。由于PSO存在收敛精度低、易陷入局部极值等问题,因此在原有的基础上引进了离散因子、时间因子,并对PSO的参数进行非线性变化。尽管如此,PSO算法仍存在自身的缺陷,为了进一步减少陷入局部极值的几率,提高算法的性能。本文引入了全局寻优能力较强的WPA算法,通过对WPA寻优过程中的步长参数改进后,提出了基于IWPA-PSO混合算法的Bi LSTM神经网络模型,通过与其它模型对比以及进行拓展实验发现,IWPAPSO-Bi LSTM模型的预测性能最好、预测精度最高、鲁棒性更强。为了提高数据的使用价值,将该神经网络模型集成到了基于JQuery、Spring Boot等前后端框架的空气质量可视化系统,实现了系统的用户登录注册、历史数据查询、空气质量预测、数据管理以及用户管理等功能,为系统用户了解空气质量数据、气象数据信息和普及空气污染提供了一种新的方式。

关键词：空气质量预测灰色关联度分析粒子群优化改进狼群粒子群优化可视化系统

基于因子分析的LSTM-TCN-Attention空气质量预测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于因子分析的LSTM-TCN-Attention空气质量预测模型

作者：赵欣河南大学

学位级别：硕士

随着我国工业化进程的加速推进,空气污染问题日益凸显,极大地影响了人们的生活质量.空气中的PM浓度值是衡量城市空气质量的重要监测指标,建立可靠的空气质量预测模型,提前预测污染物浓度变化,对于有效应对大气污染问题具有重要意义.然... 详细信息

随着我国工业化进程的加速推进,空气污染问题日益凸显,极大地影响了人们的生活质量.空气中的PM浓度值是衡量城市空气质量的重要监测指标,建立可靠的空气质量预测模型,提前预测污染物浓度变化,对于有效应对大气污染问题具有重要意义.然而现有深度学习模型还存在着拟合精度较差、不能很好聚焦重要信息等问题.基于以上背景信息和当前空气质量预测中存在的问题,本文主要做了以下两个工作:(1)提出基于并联长短时记忆网络(Long Short-Term Memory,LSTM)和时间卷积网络(Temporal Convolutional Network,TCN)的空气质量预测模型.针对三门峡市空气质量预测任务,为了解决现有空气质量预测模型存在的拟合精度不高的问题,本文将LSTM和TCN两种模型并联起来形成了一个综合的LSTM-TCN模型.通过这种综合模型,充分利用了LSTM模型的长期依赖记忆能力和TCN模型的高效局部模式捕捉能力,捕获数据间的深层规律用以预测三门峡市未来PM浓度.通过与LSTM、TCN模型进行对比,结果表明并联LSTM-TCN模型的拟合优度和预测效果均优于单一模型.(2)提出基于因子分析的LSTM-TCN-Attention空气质量预测模型.LSTM-TCN并联模型并没有考虑到序列中的每个元素对应的重要性.基于因子分析的注意力机制模型就弥补了这一缺陷.通过因子分析计算出序列中的每个元素对应的重要性,可以让模型更关注那些对预测结果有更大贡献的元素,从而提高模型的预测效果.通过固定权重注意力机制进行实现,能够更好地利用输入数据中的有效信息,聚焦关键信息,提高模型的预测性能.通过实例验证比较了基于因子分析的LSTM-TCN-Attention模型与之前三种模型的拟合优度、均方根误差和平均绝对误差等评价指标,证明了该模型的可行性和有效性,并且该模型的计算效率更高,同时具有更强的重要特征提取能力,可以进一步提高空气质量预测的整体准确度.

关键词：空气质量预测长短期记忆网络时序卷积网络注意力机制因子分析

物理机理与数据驱动相融合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

物理机理与数据驱动相融合的空气质量预测研究

作者：周心源北京交通大学

学位级别：硕士

随着全球工业化进程加速,大气污染正成为人类社会所面临的严峻挑战之一,精准的空气质量预测对于空气污染防治具有重要的意义。目前,主流预测方法包括两类:基于物理机理的数值模拟预测和基于数据驱动的机器学习预测。前者基于物理机理知... 详细信息

随着全球工业化进程加速,大气污染正成为人类社会所面临的严峻挑战之一,精准的空气质量预测对于空气污染防治具有重要的意义。目前,主流预测方法包括两类:基于物理机理的数值模拟预测和基于数据驱动的机器学习预测。前者基于物理机理知识能够实现对未来大气运动宏观演化趋势的模拟,但容易受到一些人为不确定因素影响导致鲁棒性降低;后者则利用数据驱动方式构建从临近观测数据到未来短期空气质量的微观外推关系,但很难从机理上利用空气污染物的形成和发展规律,两者展现出的互补性启发我们对两者进行融合以提升预报的性能。为此,本文从数据的时空特性出发探索了两种物理机理-数据驱动相融合空气质量预测思路。首先,针对空间单一站点的空气质量预测,本文提出基于数据机理融合的单站点空气质量预测模型。该模型采用具有非局部性的交叉注意力机制,融合了WRF-Chem数据所代表的物理机理信息和监测站观测数据所代表的历史趋势信息,使具有较长时间跨度的双源信息能够通过灵活的感受野自动学习到合适的融合方式。为了解决实际使用中的站点监测数据缺失问题,增强预测模型的鲁棒性,本文提出了缺失值处理模块。该模块基于WRF-Chem数据与真实监测数据在变化趋势上的相关性,采用纠偏后的WRF-Chem数据来填补站点监测数据的缺失值。此外,为了挖掘不同空间站点之间空气质量的潜在联系,本文进一步提出了多站点空气质量联合预测模型。该模型采用了双阶段的时空序列预测架构,引入空间信息指导模块来建模多站点之间的关联性,进一步基于多站点联合信息降低单站点预测的偏置误差。我们通过将编码空间信息的模块嵌入到时序预测模型中,使得模型具有同时提取时空信息的能力。为了能够更好的挖掘空间信息,本文提出了基于空间Transformer和图神经网络的空间信息指导模块。前者通过引入二维位置编码,实现模型对空间位置的感知;后者利用双层图结构使模型具有同时建模全局与局部空间关联的能力。本文所提模型均在京津冀地区54个监测站点近两年的PM2.5、O、AQI实际数据集上进行了测试。实验结果表明,所提模型相比传统空气质量预测方法具有明显优势。

关键词：空气质量预测深度学习序列预测双源数据融合

基于EEMD-LSTM-ARIMA的兰州市空气质量预测研究

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EEMD-LSTM-ARIMA的兰州市空气质量预测研究

作者：李娜兰州财经大学

学位级别：硕士

随着经济的快速持续发展,大量的能源需求和过度开发,造成植被破坏,废气排放量增多等不良影响。这直接影响空气质量的优良程度,从而影响人民的身体健康。而兰州市作为群山环绕的工业城市,大气污染物消散困难,造成空气质量下降。本文利用... 详细信息

随着经济的快速持续发展,大量的能源需求和过度开发,造成植被破坏,废气排放量增多等不良影响。这直接影响空气质量的优良程度,从而影响人民的身体健康。而兰州市作为群山环绕的工业城市,大气污染物消散困难,造成空气质量下降。本文利用兰州市2014年至2020年空气污染物浓度数据,探究兰州市空气质量的变化规律,分析兰州市的空气质量的特性为后续的空气质量指数预测提供条件。在对几种模型效果对比分析的基础上,选择了组合模型对AQI空气质量指数进行预测,该模型有效的提高了预测精度。主要结果如下:首先,将兰州市2014年到2020年的空气质量数据进行年度、季度、月度的划分,分别探究兰州市空气质量的变化规律。发现兰州市空气质量呈周期性波动,季度特征较为明显,夏季空气污染程度低,冬季污染物程度高。其次,选取各个单一模型进行对比,将对比后精度较高的单一模型投入组合模型的建立中。最后运用LSTM、EEMD-LSTM、EEMD-LSTM-ARIMA模型对AQI指数进行预测,对比各个模型的预测结果,最终得出EEMD-LSTM-ARIMA模型对AQI指数的预测最为精准,同时,选取不同的数据集验证模型的普适度,最终证明组合模型能够为空气质量预测提供相应的依据。

关键词：空气质量指数空气质量预测 EEMD-LSTM-ARIMA

火电厂大气污染物监测及空气质量预测系统研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

火电厂大气污染物监测及空气质量预测系统研究

作者：刘旭安徽理工大学

学位级别：硕士

火力发电作为我国发电的主要形式,在带动经济和工业发展的同时不可避免地造成了环境污染。环境保护与经济发展是辩证统一、相辅相成的,解决环境问题首先就要对污染物的源头进行管控。火电厂作为能源枢纽,是大气污染物排放的重要源头,对... 详细信息

火力发电作为我国发电的主要形式,在带动经济和工业发展的同时不可避免地造成了环境污染。环境保护与经济发展是辩证统一、相辅相成的,解决环境问题首先就要对污染物的源头进行管控。火电厂作为能源枢纽,是大气污染物排放的重要源头,对火电厂大气污染物进行监测同时对监测区域的空气质量进行预测,不仅可以了解污染物实时状况,对重点排污区域进行管控,而且监测数据也能够为火电厂的生产规划与污染治理提供数据支撑,火电厂大气污染物监测及空气质量预测系统的研究具有重要意义。为此,本文开展了以下研究:1)针对当前大气污染物监测系统存在监测成本高、设备体积大、难以实现区域化精准监测等问题,设计了一种火电厂大气污染物监测系统。首先使用Zigbee终端节点与协调节点来完成大气污染物PM、PM、SO、CO、NO、O数据的采集与传输,然后通过网关模块完成数据格式的转换,之后借助于4G模块完成数据的上传,最后编译软件程序接入了云平台、开发了Web监测平台,实现了数据的存储、管理与展示。2)针对当前空气质量预测模型复杂且使用手动调参方式对模型参数进行调节难以实现精准预测的问题,提出了优化随机森林模型来预测空气质量。首先通过网格搜索(Grid Search,GS)、贝叶斯(Bayesian optimization,BO)、粒子群(Particle Swarm Optimization,PSO)三种优化算法来优化随机森林(Random Forests,RF)模型参数n＿estimators、max＿depth、min＿samples＿split及min＿samples＿leaf,然后分别构建了GS-RF、BO-RF、PSO-RF三种空气质量预测模型来预测空气质量指数(Air Quality Index,AQI),最后采用RMSE、MAE及R三个评价指标来对模型进行性能评估。最后进行系统的测试环节,测试结果表明,系统各模块功能正常,能够实现火电厂大气污染物的实时监测,满足系统设计需求,同时BO-RF空气质量预测模型对于AQI的预测效果最好,可以满足火电厂监测区域的空气质量预测要求,可视化监测平台的开发更是实现了监测与预测的一体化。图[82]表[19]参[80]

关键词：火电厂大气污染物监测平台空气质量预测随机森林模型

基于C-B-BALSTM的空气质量预测混合深度学习模型

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C-B-BALSTM的空气质量预测混合深度学习模型

作者：韦诗玥东华理工大学

学位级别：硕士

空气质量对人们的健康有着重要的影响,为了预防空气污染带来的危害,空气质量预测成为一种有效的预防措施。深度学习由于能有效挖掘数据的内在规律,被逐渐运用于空气质量预测中。但目前的空气质量预测模型存在预测精度不够高、收敛速度... 详细信息

空气质量对人们的健康有着重要的影响,为了预防空气污染带来的危害,空气质量预测成为一种有效的预防措施。深度学习由于能有效挖掘数据的内在规律,被逐渐运用于空气质量预测中。但目前的空气质量预测模型存在预测精度不够高、收敛速度慢、很少考虑季节等相关因素对空气质量的影响等问题。针对以上问题,本文提出基于CEEMDAN-BCCSA和加入自注意力机制的双向LSTM的深度学习模型(C-B-BALSTM)对空气质量进行预测,具体的研究工作如下:(1)针对现有方法很少考虑季节等因素对空气质量影响的问题,提出季节调整等空气质量数据预处理方法。本文首先对空气质量数据进行了季节性分析,并对原始空气质量数据进行了季节调整以消除季节的影响;然后使用均值填充的方法处理缺失值问题,并对数据进行标准化处理;最后建立深层LSTM模型对空气质量进行预测。实验结果证明,同样的深层LSTM模型对经过上述处理后的空气质量数据具有更好的预测精度。(2)针对现有方法预测空气质量效果不理想的问题,提出了一种优化的带有自注意力机制双向LSTM的空气质量预测模型--B-BALSTM。该模型在前期数据预处理的基础上,再利用BCCSA来对空气质量数据进行处理,并且通过使用双向LSTM和加入自注意力机制来解决LSTM存在很难处理长序列中的长期依赖性的问题。实验证明,该模型有效提高了空气质量的预测精度。(3)针对目前模型收敛速度慢以及预测精度还不够理想的问题,提出了一种基于分解-重构的空气质量预测混合深度学习模型--C-B-BALSTM。该模型首先使用CEEMDAN对空气质量数据进行分解;然后将分解结果输入到改进的BCCSA中进行过滤、重构;最后由BALSTM对重构的空气质量数据进行预测。实验结果证明,该模型提高了BCCSA的全局寻优能力和收敛速度,并且进一步提高了模型的预测精度。综上所述,本文针对目前的空气质量预测模型存在预测精度不够高、收敛速度慢、很少考虑季节等相关因素对空气质量的影响等问题,不断地改进模型,最后建立了C-B-BALSTM空气质量预测模型。实验证明了这种模型在预测空气质量时可有效提高空气质量预测的精度和收敛速度。

关键词：空气质量预测深度学习 CEEMDAN 改进BCCSA LSTM

基于可解释的Conv-LSTM模型的空气质量预测研究——以NO_2/O_3为例

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于可解释的Conv-LSTM模型的空气质量预测研究——以NO_2/O_3为例

作者：叶青含暨南大学

学位级别：硕士

随着我国城市化和工业化进程的快速发展,空气质量问题日益突出,目前对空气质量的研究存在预测精度低,预报时间短等问题。因此,如何对空气质量情况进行准确预报,并分析其内在相关因素的影响程度,对全社会至关重要。现有的CMAQ系统依靠物... 详细信息

随着我国城市化和工业化进程的快速发展,空气质量问题日益突出,目前对空气质量的研究存在预测精度低,预报时间短等问题。因此,如何对空气质量情况进行准确预报,并分析其内在相关因素的影响程度,对全社会至关重要。现有的CMAQ系统依靠物理化学方式,消耗了大量计算资源,能对空气质量进行预测,但随着预测时间延长,预测精度降低,且滞后于真实值,达不到期望的预警效果。因此,本文将CMAQ未来几天的预测值作为特征变量,同时为避免误差累积造成预测性能低下,采用距离相关系数(DC)的变量筛选方法对CMAQ的阶数进行选择,它具有模型自由的优点,且能够探测出变量的线性和非线性关系。结合筛选的重要变量和确定的滞后阶数,创新地构建了可解释的Conv-LSTM模型,包括Unistream和Multistream两种输入形式,来对NO和O浓度进行预测,并基于预测模型进行时空遮挡分析,探究哪些变量和滞后阶数对预测的影响显著,以增强模型的可解释性。本文选取2018年至2020年7月广东省某市8个监测站点的气象、空气质量和CMAQ数据进行研究,结果显示,两种输入形式的模型均对CMAQ进行了较大的修正,其中Unistream模型对短期预测(提前2和4天)的精度高,Multistream模型对长期预测(提前6天)的精度高。通过时空遮挡分析发现:降水、CMAQ预测值、邻近站点信息以及较小的滞后阶数,对Unistream模型短期预测的结果影响较大,而各因素对Multistream模型的影响逐渐均匀化,其中气温、较大的滞后阶数对Multistream模型的影响在长期预测中提升明显。因此,在对污染物浓度进行预测时,应根据实际情况选择合适的模型,并增强对重要影响因素的关注。

关键词：空气质量预测 DC变量选择 Conv-LSTM 可解释性

基于EMD和LSTM的空气质量指数预测研究

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EMD和LSTM的空气质量指数预测研究

作者：于钧豪河北工程大学

学位级别：硕士

随着生活水平的不断提高,人们对自身的健康问题越来越重视,而呼吸系统疾病的频发导致民众对大气环境污染问题愈加关注。由于空气质量数据具有非线性和复杂性的特点,在深度学习模型的训练过程中通常无法充分学习到原始数据的内在关系,导... 详细信息

随着生活水平的不断提高,人们对自身的健康问题越来越重视,而呼吸系统疾病的频发导致民众对大气环境污染问题愈加关注。由于空气质量数据具有非线性和复杂性的特点,在深度学习模型的训练过程中通常无法充分学习到原始数据的内在关系,导致城市空气质量的预测十分困难。针对以上问题,本文提出了一种基于深度学习的空气质量指数预测模型,利用经验模态分解(Empirical mode decomposition,EMD)将复杂的空气质量指数序列分解为多个高频分量和低频分量,然后使用长短期记忆神经网络(Long short-term memory,LSTM)对不同分量分别进行预测,最终将所有分量的预测值求和得到最终的预测结果。最后,针对单一模型存在的不稳定性问题,设计了一种基于多个神经网络的组合预测模型,通过多个模型的预测结果与真实结果对比,为模型分配不同的权重,并将每个预测模型的预测值加权求和后得到最终的预测结果。本文的主要工作内容如下:(1)数据预处理。由于空气质量监测站经常会受到环境和人为等不确定因素干扰,因此会存在缺失值或异常值,本文通过均值插补的方法对缺失值进行填充,同时将填充完后的完整数据使用皮尔逊相关系数分析了影响空气质量指数的主要因素,确定最终输入到模型中的变量。(2)基于LSTM神经网络模型的构建。针对空气质量数据非平稳和非线性的特点,提出一种空气质量预测方法,该方法将EMD处理后的分量作为神经网络的输入,使用LSTM作为预测模型来充分学习原始数据中的有用信息。而对于LSTM模型参数通常由人为设定的问题,采用改进的粒子群优化算法(Improved particle swarm optimization,IPSO)对参数寻优,找到最适合模型的参数,并使用多个城市的真实数据集验证了模型的有效性。(3)基于多种神经网络组合预测模型的构建。针对单一模型存在某一时刻预测值不稳定的问题,提出了一种使用EMD-LSTM、EMD-GRU、EMD-BILSTM和EMD-BIGRU四种预测模型同时对空气质量进行组合预测的方法,并将所有单一模型的预测值与真实值对比,利用权重确定的方法为每一个模型分配不同的权重,成功建立了组合预测模型。结果表明,该方法打破了单个预测模型的局限性,提高了预测精度。

关键词：空气质量预测经验模态分解神经网络粒子群优化算法组合预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多源数据融合的城市空气质量预测研究

基于多源数据融合的城市空气质量预测研究

作者：毕乐河北工程大学

学位级别：硕士

随着工业快速发展和人口数量增长,城市环境问题日益突出。同时大气污染问题也给城市安全管理带来了一系列挑战。因此,精准的空气质量预测有助于提升城市环境的科学管理水平,降低环境污染对人群带来的风险。然而,每个空气质量监测站点与... 详细信息

随着工业快速发展和人口数量增长,城市环境问题日益突出。同时大气污染问题也给城市安全管理带来了一系列挑战。因此,精准的空气质量预测有助于提升城市环境的科学管理水平,降低环境污染对人群带来的风险。然而,每个空气质量监测站点与周围站点之间具有空间相关性,且空气质量监测站点之间复杂的时空相互影响,空气质量预测精度难以提升,空气质量预测问题亟待解决。空气监测数据由分布在城市不同区域的空气监测站采集,这些数据为挖掘数据间的联系、建立科学的空气质量预测模型提供了数据基础。目前有不少深度学习方法对空气质量状况进行预测,现有的预测方法存在以下不足,第一,由于空气具有扩散性,待预测空间的空气质量容易受到相邻区域空气质量的影响,现有的研究较难准确捕捉空气质量监测站之间复杂的时空互相影响关系。第二,依靠短期数据建模进行空气质量预测,忽略了空气质量数据长期性的特点。针对以上问题,本课题的主要研究工作与创新成果如下:(1)多源数据预处理。监测站获取的城市空气质量数据存在数据缺失等问题,首先采用清洗、去噪等手段预处理城市多源空气质量数据,再根据研究区域从预处理后的数据中提取研究所需数据集,最后对数据做统一时间粒度归一化处理,转化为时间序列数据。(2)基于城市质量预测模型捕捉空间依赖关系研究。准确可靠的空气质量预测对于人类免受空气污染十分重要,为了实现城市短期空气质量预测,本文提出基于图卷积神经网络的城市空气质量预测模型,以北京城区为例,根据该城市多源数据的时空特征,结合卷积图神经网络分析城市空气质量。所提模型利用处理之后的数据构造城市空气质量时空数据集,并利用图卷积网络提取站点之间的空间特征,时间特征使用门控卷积神经网络提取,最后由全连接层分析并得出空气质量的预测结果。实验结果证实,所提模型相较于长短期记忆网络(Long and short term memory networks,LSTM)预测方法具有更好的预测精度,可以捕获不同站点之间的空间相关性和同一站点内的时间依赖性特征。(3)基于改进的LSTM模型获取长期预测精确性。针对空气污染物长期预测问题,基于LSTM的编码器-解码器模型成为时间序列预测的主流方法。LSTM网络依赖于各种门单元,但现有很多研究忽略门单元之间的相关性,且有限的记忆信息难以让构建的模型取得更为精确的长期预测结果。针对现有预测模型容易忽略对空气质量长期预测起关键作用的特征,以及传统神经网络无法准确捕捉到数据的长期依赖性问题,提出了一种改进的LSTM模型,以实现序列数据中更为长期依赖关系的深层特征提取。仿真结果说明,与传统模型相比,所提出的模型通过充分提取数据相关性提高了预测精度,并且克服了长期依赖性等问题。

关键词：多源数据数据融合空气质量预测 LSTM神经网络