王梓霖

摘   要：為有效地预测雾霾污染程度的主要评价指标PM2.5质量浓度，文章使用Blending集成学习策略并行连接CNN与LSTM，并建立基于CNN-LSTM集成学习的PM2.5质量浓度预测模型。经过真实数据验证，该模型对PM2.5质量浓度预测具有有效性，且相较于串联CNN-LSTM预测模型具有优越性。

关键词：卷积神经网络;长短时间记忆网络;集成学习;PM2.5质量浓度预测

我国雾霾污染问题日益严重，对人们健康造成巨大威胁，因此，雾霾质量浓度预测至关重要。PM2.5是评价雾霾质量浓度的首要指标，目前已有研究针对PM2.5质量浓度进行预测。余辉等[1]使用空气污染物数据和气象数据，建立了差分整合移动平均自回归模型预测PM2.5质量浓度。但统计学方法适用于线性关系问题，不适用于高维非线性问题。Biancofiore等[2]使用带有和不带递归结构的神经网络模型对PM2.5质量浓度进行预测，并取得了较好结果。但人工神经网络无法刻画PM2.5质量浓度在时间维度上的特征。近年来，深度学习快速发展并被用于PM2.5质量浓度预测中。Chiou-Jye等[3]串联卷积神经网络（Convolutional Neural Networks，CNN）和长短时间记忆网络（Long-Short Term Memory，LSTM）预测PM2.5质量浓度，提高了PM2.5质量浓度预测的准确性，但此模型会损失部分时序特征。针对上述问题，本文使用Blending集成学习策略并行结合CNN和LSTM预测PM2.5质量浓度。

1    基于CNN-LSTM集成学习的PM2.5质量浓度预测

1.1  卷积神经网络

卷积神经网络是受生物的视知觉机制启发而发展出来的一种有卷积运算的前馈神经网络，可提取数据之间隐藏的拓扑结构即空间维度上的特征。其核心……