基于全连接和LSTM神经网络的空气污染物预测

• 作者: 任福 吴艳兰 韩伟
• 来源期刊: 地理信息世界
• 学科: 工学
• 关键词: 空气污染物预测 神经网络 全连接神经网络 长短期记忆网络
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 理论研究
• 页码范围: 34-40
• 页数: 7页
• 分类号: TP393.01
• 字数: 5491字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-1586.2018.03.007

摘要

在空气污染日益严重的情况下进行空气污染物的预测工作是十分必要的.针对城市的空气污染物预测,提出了一种基于神经网络的混合模型方法:通过全连接神经网络方法,结合长短期记忆网络(Long Short-Term Memory,LSTM)方法,将历史空气污染物数据与大气数据进行空间与时间上的挖掘分析.运用全连接和LSTM两种神经网络方法混合的形式,与传统的单一模型方法相比,不仅能摆脱单一模型特征空间的局限性,还能提高预测的精度,具有更大的应用性和操作性.最后,以武汉市为例通过实验证明该混合模型较单一模型在空气污染物预测上具有更高的精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	任福	武汉大学资源与环境科学学院	93	611	15.0	20.0
2	韩伟	武汉大学资源与环境科学学院	13	40	4.0	6.0
3	吴艳兰	安徽大学资源与环境工程学院	31	150	8.0	11.0