PM_(2.5)作为主要的大气污染物之一,严重影响空气质量和人体健康.基于深度学习的PM_(2.5)小时预报研究中,不同输入要素的历史时间序列对PM_(2.5)预报结果的响应情况存在差异.因此,基于太原市2019—2020年空气质量监测站、气象观测站的数...PM_(2.5)作为主要的大气污染物之一,严重影响空气质量和人体健康.基于深度学习的PM_(2.5)小时预报研究中,不同输入要素的历史时间序列对PM_(2.5)预报结果的响应情况存在差异.因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_(2.5)浓度进行预报.首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_(2.5)浓度预报结果.将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比.结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型.其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26μg/m3、51%、0.91.对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%.此外,增加LSTM层深度不会提升模型的预报精度.研究显示,利用MULTI-LSTM模型作为PM_(2.5)浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.展开更多
文摘PM_(2.5)作为主要的大气污染物之一,严重影响空气质量和人体健康.基于深度学习的PM_(2.5)小时预报研究中,不同输入要素的历史时间序列对PM_(2.5)预报结果的响应情况存在差异.因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_(2.5)浓度进行预报.首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_(2.5)浓度预报结果.将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比.结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型.其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26μg/m3、51%、0.91.对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%.此外,增加LSTM层深度不会提升模型的预报精度.研究显示,利用MULTI-LSTM模型作为PM_(2.5)浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.
