基于RNN-CNN集成深度学习模型的PM 2.5小时浓度预测

• 作者: 刘仁义 张丰 曹晓裴 杜震洪 黄婕
• 来源期刊: 浙江大学学报（理学版）
• 学科: 工学
• 关键词: PM2.5小时浓度预测 RNN CNN 深度学习 集成学习
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 地球科学
• 页码范围: 370-379
• 页数: 10页
• 分类号: TP391
• 字数: 7108字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-9497.2019.03.016

摘要

针对目前大部分PM2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型.该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性.最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34％站点上的拟合度超过0.97,该模型可用于大范围区域的PM2.5小时浓度预测.