基于时空特征提取的空气污染物PM2.5预测

• 作者: 凌德森 王晓凯 山西大学物理电子工程学院
• 来源期刊: 计算机测量与控制
• 关键词: 卷积长短期记忆网络 门控循环单元 贝叶斯寻优算法 时空特征
• 年，卷（期）: 2024,（11）
• 所属期刊栏目: 测试与故障诊断
• 页码范围: 31-37
• 页数: 7页
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2023.11.005

摘要

为了充分挖掘多因素数据间的时空特征信息，解决在多种因素相互影响下不能准确预测PM2.5值的问题，提出了一种融合了局部加权回归的周期趋势分解(STL,seasonal-trend decomposition procedure based on loess)算法、卷积长短期记忆网络(ConvLSTM,convolutional long short-term memory network)和门控循环单元(GRU,gated recurrent unit)的PM2.5预测方法；首先利用STL算法将PM2.5数据进行分解，将分解得到的序列分别与其他因素相融合；搭建ConvLSTM-GRU模型，并利用贝叶斯寻优算法进行超参数寻优；将融合数据传入ConvLSTM网络中进行时空特征提取，再将提取后的特征序列传入GRU网络中进行预测；通过与ConvLSTM-GRU模型、CNN-GRU模型以及GRU模型的预测结果进行比较实验，证明所提模型具有误差小、预测效果好等特点。