为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型。该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模...为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型。该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测。通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2%、5.7%,R^(2)提升7.5%。实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度。展开更多
随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦...随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦变换捕获频率特征,捕捉数据的周期性和趋势;通过BiLSTM模型预测结果,利用公开数据集对PM2.5浓度预测模型性能进行评估并验证。实验结果表明,多变量FD-BiLSTM模型能有效捕捉影响空气质量的复杂关系,可以实现更准确的PM2.5浓度预测。展开更多
文摘为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型。该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测。通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2%、5.7%,R^(2)提升7.5%。实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度。
文摘随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦变换捕获频率特征,捕捉数据的周期性和趋势;通过BiLSTM模型预测结果,利用公开数据集对PM2.5浓度预测模型性能进行评估并验证。实验结果表明,多变量FD-BiLSTM模型能有效捕捉影响空气质量的复杂关系,可以实现更准确的PM2.5浓度预测。
