基于长短期记忆神经网络模型的空气质量预测

• 作者: 刘滨 张冬雯 许云峰 赵琪
• 来源期刊: 河北科技大学学报
• 学科: 工学
• 关键词: 计算机神经网络 空气质量 长短期记忆单元 深度学习 多元线性回归 回归模型
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 数据分析与计算专栏
• 页码范围: 66-75
• 页数: 10页
• 分类号: TP389|O175.8
• 字数: 4283字
• 语种: 中文
• DOI: 10.7535/hbkd.2020yx01008

摘要

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要.当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM2.5浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率.这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题.因为预测精度低可能会导致空气质量预测结果出现较大的误差.针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term mem-ory,LSTM)的神经网络模型.该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能.由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据.LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张冬雯	河北科技大学信息科学与工程学院	39	137	7.0	9.0
2	刘滨	河北科技大学经济管理学院	25	365	8.0	19.0
6	许云峰	河北科技大学信息科学与工程学院	30	197	8.0	13.0
7	赵琪	河北科技大学信息科学与工程学院	1	1	1.0	1.0