陈春玮，张建明，贺易栋

（广东职业技术学院，广东 佛山 528000）

概述

目前，随着中国经济的高速发展，工业化建设、交通规模持续扩大，中小型的加工厂的建设随着发展的需要也越来越多，燃油车的保有量逐年增加等能源和环境问题带来的汽车尾气、工业污染排放、建筑颗粒扬尘、垃圾焚烧等增加大气的污染问题。空气污染问题日趋严重，也逐渐成为人民群众日常关注的民生问题。对于空气污染的预测很有必要，用于指导出行计划，工业生产，环境调控等都有一定的科学依据。针对目前很多预测模型都是单向的循环神经网络时序模型，信息利用不充分[1]。本研究结合LSTM 和GRU 双向神经网络为主，卷积神经网络为辅的预测模型，从而提高模型解释方差。

1 相关技术研究

1.1 基于传统机器学习对空气质量的研究

机器学习中有许多的模型可以应用到空气质量的预测，我们主要用sklearn 进行模型的搭建于实验。其中我们用到的模型贝叶斯、SVM、随机森林、梯度提升树、Bagging、KNN、极端随机树[2]。模型上，以被解释方差（R2）来进行评价。其中，贝叶斯（R2 : 0.378）、SVM（R2 : 0.285）、随机森林（R2 : 0.676）、梯度提升树（0.576）、Bagging（R2 : 0.651）、KNN（R2 : 0.523）、极端随机树（R2 : 0.717）。进行了实验以后可以看到，相对于线性模型，非线性模型的R2 会更高。对比各个模型的R2，发现最后一个极端随机树是最高的，其中利用集成学习模型的R2 也相对比较高。但是，传统的机器学习还是存在一个时空问题，也就是说其实影响空气质量指数的相关污染物，与时间的变化也是有关的，传统的机器学习并不能有效解决这个问题。……