基于LSTM的PM2.5浓度预测模型

• 作者: 杨伟杰 梁少虎 段大高 赵振东 韩忠明
• 来源期刊: 计算机测量与控制
• 关键词: PM2.5 LSTM循环神经网络 时序特征
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 设计与应用
• 页码范围: 215-219
• 页数: 5页
• 分类号: TP399
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2019.03.044

摘要

随着近年雾霾天气的频繁出现,空气质量开始越来越受到公众关注;PM2.5浓度指数是判断空气质量的重要指标,如何根据历史数据有效地预测空气中PM2.5浓度,具有很高的应用价值;分析以往空气质量数据表明,PM2.5浓度有明显的非线性和不确定性波动,很难用传统机器学习算法有效地预测;文章基于LSTM循环神经网络,依据过去20小时采集的空气数据,预测未来5小时的PM2.5浓度指数;实验结果表明,LSTM可以有效地捕获空气质量的时序特征,较准确预测出未来时刻的PM2.5浓度指数.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	段大高	北京工商大学计算机与信息工程学院	31	326	9.0	17.0
2	韩忠明	北京工商大学计算机与信息工程学院	51	631	14.0	23.0
3	杨伟杰	北京工商大学计算机与信息工程学院	13	200	7.0	13.0
4	赵振东	北京工商大学计算机与信息工程学院	4	9	2.0	3.0
5	梁少虎	北京工商大学计算机与信息工程学院	3	4	1.0	2.0