杨超文 汪宇玲 舒志敏 刘晶晶 谢娜娜

(东华理工大学,江西南昌 330000)

0 引言

近年来,随着南昌经济快速发展,工业化和城市化进程加快,以PM2.5、PM10为主的空气污染也愈加严重,为了人民的健康实现一套对空气质量精准预测的方案刻不容缓[1]。传统预测空气质量的方法很多,如CAPPS模型、灰色模型、人工神经网络(BP)等。Boznar等人将神经网络运用在预测空气质量上,之后最为经典的BP神经网络通过Giusepp等人的改进,进一步提高了预测结果的精度,但BP神经网络较难收敛[2]。后来Fabio Biancofiore等人通过改进采用递归神经网络预测PM10、PM2.5取得了很好的效果,接着Rao等人构建了基于循环神经网络(RNN)的空气质量预测模型,并取得了更高的预测精度。然而RNN运算过程中存在梯度消失、记忆时序数据短等问题,而长短期记忆人工神经网络(LSTM)解决了这些问题,应用在空气质量预测上取得了比RNN更好的结果[3]。因此,本文采用基于TensorFlow的改进LSTM模型来预测南昌市空气质量(AQI)指数。

1 理论介绍

1.1 空气质量指数

空气质量最主要、最常用的衡量指标即AQI(空气质量指数),用来衡量空气清洁或者污染的程度,值越小表示空气质量越好,具体等级划分见表1。参与空气质量评价的主要污染物有六项指标分别为PM10、PM2.5、NO2、SO2、O3和CO。

1.2 数据平稳性与白噪声

时间序列预测模型在平稳数据上进行研究,如果时序数据非平稳,则预测结果误差较大,没有研究价值,因此,建模前需对数据进行平稳性检验,ADF(Augmented Dickey-Fuller test)检验是判断数据平稳的有效方法之一,又称单位根检验。……