基于深度学习的PM2.5短期预测模型

• 作者: 周勇 唐伟 林润生 赵文芳
• 来源期刊: 南京师大学报（自然科学版）
• 学科: 工学
• 关键词: PM2.5浓度预测 机器学习 长短时记忆 深度学习 卷积神经网络
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 全国机器学习会议论文专栏
• 页码范围: 32-41
• 页数: 10页
• 分类号: TP391
• 字数: 6315字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4616.2019.03.005

摘要

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周勇		19	57	4.0	7.0
2	唐伟		10	87	3.0	9.0
3	赵文芳		12	168	6.0	12.0
7	林润生		5	4	2.0	2.0