论文部分内容阅读
空气污染对自然环境和公众健康有着严重的影响,如何利用现有的数据进行有效的空气污染物预测,对预防空气污染事故以及减少环境污染和保护人类具有重要意义。空气污染物浓度的预测方法目前还是使用传统方法,比如统计预测和数值预测。虽然传统的预测方法在一定程度上也能产生较为准确的预测,但会消耗大量的人力和物力。另外,空气污染物来源越来越广,污染物的种类越来越多,增加了空气污染物预测的复杂性。当前空气污染物预测存在的瓶颈包括:(1)对空气污染物浓度预测时未能充分考虑到其它空气污染物或者气象数据的影响。(2)空气污染物浓度预测未能充分利用污染物和气象历史大数据,挖掘数据之间的关系和特征,从而准确的预测空气污染物。(3)受到数据来源的限制,数据来源主要依靠监测站点。近年来,随着深度学习在各个领域的应用,充分说明深度学习的优越性。深度学习技术能够处理海量的数据,充分挖掘数据之间的关系,从而可以提高预测的准确性,这就解决了传统方法对大量历史数据处理的缺点。为了更好的预测空气污染物浓度,可以使用图像进行辅助预测,这是物联网技术、移动互联网技术在污染预测领域的重要应用,从而帮助摆脱固定监测站点的限制。本文针对传统污染物浓度预测方法的难点和深度学习的优势,提出基于多模态数据的空气污染物联合预测方法,主要研究工作如下:(1)为了提高数值预测模型的准确性以及挖掘污染物数据之间的内在关系,提出基于自编码(Auto Encoder)和双向长短期记忆网络(Bi LSTM)数值预测模型。数值预测模型主要是通过监测站点获取到的数据,对空气污染物PM2.5浓度预测。输入数据不仅包括空气污染物PM2.5数据,并加入其它污染物数据和天气气象数据,解决污染物大数据问题以及充分挖掘污染物数据之间的内在关系和提高空气污染物浓度预测准确性。(2)为了解决污染物数据来源的限制,使用图像进行辅助预测,从而帮助摆脱固定监测站点的限制。提出基于集成的卷积神经网络(CNN)和长短期记忆网络(LSTM)图像预测模型。不仅可以有效的解决历史数据来源问题,而且通过图像能够挖掘更多有用的信息,来提高空气污染物浓度的预测。(3)将数值预测模型和图像预测模型进行融合,提出基于多模态数据的空气污染物联合预测,能够有效的提高空气污染物预测的准确性,具有一定的创新性。