基于自编码网络的空气污染物浓度预测

• 作者: 丁志军 秦东明 赵勤 金玉鹏
• 来源期刊: 同济大学学报（自然科学版）
• 学科: 地球科学
• 关键词: 空气污染预测 自编码模型 深度学习 数值分析
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 环境科学与工程
• 页码范围: 681-687
• 页数: 7页
• 分类号: X502|TP391.6
• 字数: 6749字
• 语种: 中文
• DOI: 10.11908/j.issn.0253-374x.2019.05.013

摘要

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	丁志军	同济大学嵌入式系统与服务计算教育部重点实验室	37	329	8.0	17.0
2	秦东明	同济大学嵌入式系统与服务计算教育部重点实验室	2	2	1.0	1.0
3	金玉鹏	上海师范大学信息与机电工程学院	2	8	2.0	2.0
4	赵勤	上海师范大学信息与机电工程学院	3	8	2.0	2.0