论文部分内容阅读
大气PM_(2.5)浓度是一种具有较强时序特征的数据,故目前关于PM_(2.5)浓度的预测多选择RNN、LSTM等序列模型进行。但由于RNN、LSTM等模型对不同时刻输入的数据都采用相同的权重进行计算,不符合类脑设计,造成PM_(2.5)浓度预报准确率较低。针对以上问题,提出一种基于Adam注意力机制的PM_(2.5)预测方法 (AT-RNN和AT-LSTM),该方法首先通过Adam算法寻找RNN或LSTM的最优参数并在Encoder阶段引入注意力机制,将注意力权重分配给具有时间序列特征的输入,再进