检索结果-南通市图书馆

作者：王英西南大学

学位级别：硕士

随着大气污染综合治理攻坚行动方案的进行,全国重点区域空气质量不断好转。然而,汾渭平原等地区秋冬季雾霾重污染天气仍时有发生,对人体健康和社会经济造成重大影响。因此,对其雾霾重污染事件进行准确预测具有重要意义。作为雾霾的主要... 详细信息

随着大气污染综合治理攻坚行动方案的进行,全国重点区域空气质量不断好转。然而,汾渭平原等地区秋冬季雾霾重污染天气仍时有发生,对人体健康和社会经济造成重大影响。因此,对其雾霾重污染事件进行准确预测具有重要意义。作为雾霾的主要成分,PM的形成过程涉及非常复杂的大气物理化学过程,对该过程进行机理建模和求解难度较大。因此,本文采用基于深度学习的数据驱动模型提取雾霾重污染过程监测数据的时空变化特征,实现对雾霾重污染的准确预警。长短期记忆网络(Long Short-Term Memory,LSTM)能够有效提取PM时间序列的非线性特征,然而传统LSTM难以完全捕捉PM时间序列的复合特征,参数知识难以解释。针对以上问题,本文主要进行了如下研究:(1)为了提高雾霾重污染样本的预测准确率,同时为雾霾重污染过程中雾霾主要影响因素与目标雾霾浓度的关系提供解释,以LSTM为基础融合了具有可解释性的多元线性回归(Multiple Linear Regression,MLR),设计了一种基于深度时间序列特征融合的可解释性神经网络模型(Multiple Linear Regression and Long Short-Term Memory,MLR-LSTM)。该模型利用具有不同超参数的单变量LSTM对当前PM浓度、PM前体物以及气象因子时间序列的深度特征进行提取;采用MLR对单变量LSTM输出的时间序列特征进行融合,最终输出PM浓度预测值。为验证模型有效性,使用汾渭平原2015年1月4日至2020年12月31日的空气质量监测数据以及气象监测数据进行建模,预测了西安市未来3 h、6 h、12 h、24h的PM浓度并对其预测效果进行了评估。实验结果表明,在3-24 h的PM浓度预测中,MLR-LSTM模型对PM重污染样本的预测准确率分别为94.12%、85.29%、77.57%和51.10%,平均绝对误差分别为10.66μg?m、21.30μg?m、28.05μg?m和48.01μg?m,显著优于随机森林(Random Forest,RF)、支持向量回归(Support Vector Regression,SVR)、MLR、单变量LSTM(LSTM＿PM)、多变量LSTM(M＿LSTM)以及RF-LSTM(Random Forest and Long Short-Term Memory)。此外,当预测步长由3 h增至24 h的时候,MLR-LSTM模型的融合层系数显示当前PM浓度对目标PM浓度的影响力由80.89%急剧降至16.34%,前体物浓度的影响力由5.23%上升至29.43%,说明提前采取重污染应急措施对雾霾浓度和污染持续时间消峰降速效果具有显著影响。(2)PM浓度时间序列具有明显的周期性,为进一步探讨模型在雾霾重污染过程中的可解释性,本文构建了耦合周期、趋势的空气重污染演变过程预警模型(Prophet and Long Short-Term Memory,Prophet-LSTM)对汾渭平原的西安市未来6 h、12 h、18 h、24 h的PM浓度进行预测并分析PM浓度在不同时间尺度中的分布变化。该模型利用Prophet对PM时间序列进行分解以获取PM浓度各个时间尺度的变化趋势及周期信息;利用不同超参数的LSTM提取PM时间序列的深度特征以及趋势特征;以线性组合的形式融合Prophet与LSTM输出的各个子序列特征,最终输出PM浓度预测值。实验结果表明PM浓度随时间的变化呈如下变化现象:在年际趋势中,2018以后开始持续下降;在年周期中,最低值在每年的夏季出现,最高值在每年的冬季出现;在周周期中,最低值在一周中的星期五出现;在日周期中,最高值在每天凌晨出现,最低值在下午六点左右出现。在6-24 h的PM浓度预测中,Prophet-LSTM模型对PM重污染样本的预测准确率分别为85.29%、74.45%、64.15%以及53.49%,均方根误差分别为25.98μg?m、36.60μg?m、46.24μg?m以及54.00μg?m,均优于Prophet、RF、差分整合移动平均自回归(Autoregressive Integrated Moving Average model,ARIMA)、SVR、LR以及LSTM模型,能够实现对西安市雾霾重污染过程的准确预警。(3)PM重污染样本在总体数据中只占据7.83%,数据分布极不平衡,对模型训练造成了影响。为进一步对PM重污染样本进行研究以提高重污染样本的预测精度,本文提出了一种基于重加权的重污染预测模型(Piecewise LOSS Function and Long Short-Term Memory Model,PLF-LSTM)对汾渭平原的西安市未来6 h、12h、18 h、24 h的PM重污染样本进行预

关键词：雾霾重污染 PM2.5浓度预测 MLR-LSTM Prophet-LSTM PLF-LSTM

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度时间序列特征融合的西安市2015—2020年供暖季雾霾重污染过程预警

引用

化工进展 2022年第10期41卷 5685-5694页

作者：王英冉进业张今杨鑫张浩西南大学化学化工学院重庆400715 西南大学计算机与信息科学学院重庆400715 重庆理工大学化学化工学院重庆400054

为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memor... 详细信息

为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。

关键词：雾霾重污染 LSTM-MLR模型预测多尺度神经网络

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：