论文部分内容阅读
近年来,随着我国经济快速发展,工业化和城市化进程加快,以PM2.5为主的空气污染问题越来越突出,严重影响人民的生产和生活。因此实现对PM2.5精准预测具有重要的现实意义和社会价值。本文设计了改进型LSTM(长短时记忆型)循环神经网络PM2.5预测模型,是因为PM2.5的形成机理和过程比较复杂,组成成分多,具有不确定、不稳定性,在时间和空间上具有非线性,数据维度多。LSTM(长短时记忆型)循环神经网络结构复杂,能够对PM2.5相关数据进行非线性拟合,有效的考虑输入数据的时序性,实现时间序列数据的编码和解码。LSTM(长短时记忆型)循环神经网络模型通过对大数据样本的深度学习,自行进行特征选择,能更好地揭示PM2.5与影响因子间的本质关系,提高了 PM2.5的预测精度。本文设计了缺失值数据状态下的PM2.5预测模型,预测以空气污染物和气象数据为影响因子,在缺失输入特征的情况,短期的PM2.5预测,缺失值可以用时间步(timestep)为7的移动平均值代替,长期的PM2.5预测,缺失值可用时间步(timestep)为20的移动平均值代替,实验结果具有很高的准确性。本文基于Tensorflow平台,改进了 LSTM(长短时记忆型)的PM2.5预测模型设计,选取了北京、广州2个城市实验数据并转化成标准化数据。通过设置和改变实验LSTM(长短时记忆型)循环神经网络模型参数达到深度学习的优化效果。本文设计了 SVR,随机森林算法,LSTM(长短时记忆型)循环神经网络模型3组对比实验。实验结果表明:与SVR算法,随机森林算法相比,LSTM(长短时记忆型)神经网络模型加入了 seq2seq模型后,预测率最高,精度可以达到8个小时以内。本文采用LSTM(长短时记忆型)神经网络来实现对PM2.5预测,创新了 PM2.5预测方法。