基于DLENN模型的沈阳地区PM2.5浓度预测

• 作者: 蒋洪迅 石晓文 孙彩虹 赵义金
• 来源期刊: 系统工程
• 关键词: 预测 PM2.5 LSTM 集成模型 神经网络
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 管理系统工程
• 页码范围: 13-21
• 页数: 9页
• 分类号: TP183
• 语种: 中文

摘要

受到重工业发展规模、北温带季风气候、秋冬季燃煤取暖、机动车拥堵状况以及微观气象条件等各种因素影响,沈阳地区PM2.5浓度变化具有趋势性、周期性及随机性特征.针对上述三种特征,论文构建了一种集成双向长短期记忆网络的神经网络预测模型DLENN(Double-LSTM Ensemble Neural Network),内含的两个方向LSTM分别刻画PM2.5浓度变化趋势性和周期性,然后采用线性回归杂合神经网络来捕捉PM2.5浓度变化的随机性.基于沈阳地区11个监测站2016至2017年空气质量和气象条件数据,本文将DLENN模型分别与自回归移动平均ARIMA模型、支持向量机SVM模型、随机森林RF模型和梯度提升树GBDT集成学习方法进行对比实验,结果表明DLENN预测模型稳定优于其他方法,其预测误差RMSE相对于ARIMA、SVM和集成模型分别下降了9.23％、3.83％、5.49％.