基于多维多步长LSTM网络的区域AQI预测研究*
2022-10-28刘颖陈旭东周觅郑乃瑞陈元橼
工业安全与环保 2022年10期
刘颖 陈旭东 周觅 郑乃瑞 陈元橼
(1.西南交通大学 地球科学与环境工程学院,成都 610031;2.重庆工商大学 计算机科学与信息工程学院,重庆 400067;3.重庆高新区飞马创新研究院,重庆 400051)
0 引言
大范围、长时间、高浓度空气污染频发,严重影响人们生产生活及身体健康。定量描述空气质量状况对于地区空气污染预防及制定相应对策意义重大。目前空气质量预测模型可分为机理模型和统计模型2类[1]。机理模型即通过对大气污染形成的机理,污染物的传输和扩散过程进行建模,代表性模型有社区多尺度空气质量模型(CMAQ)[2-3]、嵌套网格空气质量预报模式系统(NAQPMS)[4]、区域性气象和化学预报模型(WRF-Chem)[5]。但由于其机理复杂,建模难度大,且排放源、气象场和理化过程参数具有不确定性,预测精度难以提升[6-7]。统计模型通过对历史数据的学习与分析,挖掘数据内在特征,得到污染物浓度变化规律,并基于当前的状态对未来给出比较合理的预测[8]。统计模型不用考虑复杂的物理化学过程,建模过程相对简单,受到许多研究者的关注。
常见的AQI统计预测模型有多元回归模型,时间序列模型,神经网络模型等。非神经网络模型需要做出假设分析,在众多特征因子与预测结果中挖掘相应的数学关系,有一定的主观性;神经网络模型能够像人脑一样自动学习相关的特征,建立相应的预测模型,但现有研究大多没有考虑时序特征。随着深度学习成为机器学习的新方向,循环神经网络因其在时序数据分析中具有更强的适应性,开始应用于空气质量的预测,其中应用最广泛的是长短期记忆神经网络(LSTM,Long-Short Term Memory)。……
登录APP查看全文
