卫晓旭，王晓凯，朱 涛，龚 真

(山西大学物理电子工程学院，山西 太原030006)

1 引言

近年来，大气污染日益严重，全国环境空气质量相对较差的20个城市中，其中山西省占三个。为更好的解决多变量非线性时间序列的不确定性、不稳定性和复杂性问题，利用深度学习，可以提前预测污染物浓度，提供准确的防治对策并及时控制大气污染，修补工业生产中问题环节，创造出弹性、可塑性、可再生功能的绿色的人工自然系统。

20世纪40年代以来，人们在平稳随机过程中广泛使用预测方法是自回归模型(Auto Regressive， AR)、滑动平均模型(Moving Average， MA)和混合模型。对非线性数据，运用支持向量机(Support Vector Machine，SVM)可以看作是单隐含层网络，比BP具有较强的逼近能力和泛化能力，但是SVM算法对大规模训练样本难以实施，分类问题存在困难。深度学习可以对大规模数据进行整合。常用的深度网络有卷积神经网络(Convolutional Neural Networks，CNN)和循环神经网络 (Recurrent Neural Network， RNN)。目前，在RNN优化中被广泛接受的变体为长短期记忆网络(Long Short-Term Memory， LSTM)，自此基础上，双向长短期记忆网络(Bi-directional Long Short-Term Memory，BILSTM)考虑上下数据信息，更好的捕捉双向的数据特征依赖。但是，CNN和RNN二者分别针对完全不同的问题做了优化，其任一功能存在单一性，存在数据特征提取不完全，参数权值不匹配等问题。

学者们通过对分解后的子序列进行分析可以提取出时序的特征，例如，STL在卫生医疗应用有STL-ADABOOST-ESN组合模型[1]对HIV月病发数进行预测。文献[2]针对单一模型无法实现准确的电力能耗预测的问题，通过引入STL时间序列分解并采用支持向量回归算法实现了电力能耗数据的准确预测。……