基于深度学习的PM2.5短期预测模型

论文摘要

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.

论文目录

• 1 数据分析
•   1.1 北京PM2.5浓度的时间序列分析
•   1.2 PM2.5浓度与气象要素相关性分析
• 2 PM2.5预测模型
•   2.1 问题的描述
•   2.2 LSTM模型
•   2.3 PM2.5浓度预测模型
•     2.3.1 获取空间特征的3D-CNN
•     2.3.2 获取时间特征的LSTM
•     2.3.3 模型算法流程
• 3 实验及分析
•   3.1 实验环境及数据
•   3.2 LSTM模型关键超参数选择
•   3.3 实验结果与分析
•     （1）几个模型预测结果的误差分析
•     （2）不同深度学习模型的预测结果比较分析
• 4 结论

文章来源

类型: 期刊论文

作者: 赵文芳,林润生,唐伟,周勇

关键词: 浓度预测,机器学习,长短时记忆,深度学习,卷积神经网络

来源: 南京师大学报(自然科学版) 2019年03期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,信息科技

专业: 环境科学与资源利用,自动化技术

单位: 北京城市气象研究院,北京市气象信息中心,中国气象局发展研究中心

基金: 国家自然科学基金(41575156),中国气象局软科学研究重点课题(2019ZDIANXM19)

分类号: X831;TP18

页码: 32-41

总页数: 10

文件大小: 2887K

下载量: 644