基于Wavelet-LSTM模型的北京空气污染物浓度预测

论文摘要

文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换（wavelet transform）和长短期神经记忆网络（long short-term memory,LSTM）相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。

论文目录

• 1 模型构建
•   1.1 长短期神经记忆网络
•   1.2 小波分解变换
•   1.3 Wavelet-LSTM预测模型
•   1.4 模型参数与性能指标
• 2 研究对象
• 3 结果与讨论
• 4 结论

文章来源

类型: 期刊论文

作者: 刘炳春,来明昭,齐鑫,王辉

关键词: 长短期神经记忆网络,小波变换,空气污染物浓度,预测

来源: 环境科学与技术 2019年08期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 环境科学与资源利用

单位: 天津理工大学管理学院

基金: 天津市教委社会科学重大项目(2017JWZD16)

分类号: X51

DOI: 10.19672/j.cnki.1003-6504.2019.08.020

页码: 142-149

总页数: 8

文件大小: 3109K

下载量: 215