-
题名基于复合LSTM模型的PM_(2.5)浓度预测
被引量：10
- 1
-
-
作者
顾阔
焦瑞莉
薄宇
刘帅强
王立志
-
机构
北京信息科技大学信息与通信工程学院
中国科学院大气物理研究所
北京清创美科环境科技有限公司
-
出处
《中国环境监测》
CAS
CSCD
北大核心
2023年第1期170-180,共11页
-
基金
中国科学院战略性先导科技专项(A类)(XDA19040202)
北京信息科技大学其他纵向项目(20190193)
北京信息科技大学项目(9141924104)。
-
文摘
在对淄博市19个空气质量监测站点监测数据进行分析后,提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。通过分析淄博市2019年大气污染物和气象数据,选用LSTM模型预测PM_(2.5)浓度。由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题,提出了复合LSTM模型。该模型由3部分组成:GRA,用于PM_(2.5)浓度影响因素变量筛选;ICEEMD,用于PM_(2.5)分解、分量筛选和原始大气污染物及气象数据处理;LSTM,用于PM_(2.5)浓度预测。预测结果表明:淄博市中部丘陵地带PM_(2.5)浓度高于南部山区和北部平原,东部高于西部;淄博市逐月PM_(2.5)浓度呈“U”形分布,1月最高,8月最低;淄博市PM_(2.5)浓度受PM_(10)和CO影响较大,受湿度和温度影响较小。对比单一LSTM模型和GRA-LSTM模型,GRA-ICEEMD-LSTM模型能有效提升运算效率,减少训练时长,提升预测精度,具有良好的应用效果。
-
关键词
PM_(2.5)浓度
灰色关联度分析(GRA)
改进的完备总体经验模态分解(ICEEMD)
长短期记忆网络(LSTM)
-
Keywords
PM_(2.5)concentration
grey relation analysis(GRA)
improved complete ensemble empirical mode decomposition(ICEEMD)
long short-term memory(LSTM)
-
分类号
X502
[环境科学与工程—环境工程]
-
