基于K-means划分区域的深度学习空气质量预报

• 作者: 徐爱兰 朱晏民 孙强 於香湘 彭小燕
• 来源期刊: 南通大学学报（自然科学版）
• 关键词: 空气质量 预报 深度学习 K-means聚类 CNN-LSTM模型
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 智能科学与技术
• 页码范围: 49-56
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.12194/j.ntu.20201114001

摘要

针对监测范围内空间相关性较强的监测站点数量难以确定这一问题,提出基于K-means聚类算法对各空气质量监测站点进行区域划分的方法.以南通市为例,在选择目标区域内历史污染物数据的基础上,结合该区域的气象数据,利用由卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long short-term memory,LSTM)组成的CNN-LSTM混合深度学习模型对污染物进行预报,最终实现对污染物浓度时空演变特征的提取,并完成空气质量的高精度预报.实验结果表明,加入由K-means划分的区域内其他站点历史污染物浓度数据后,CNN-LSTM模型可以更准确地预测PM2.5浓度.