基于深度神经网络的大气污染物分布预测--以郑州市为例
大气污染是对人类健康最严重的威胁之一,因此提供更准确的空气质量预报势在必行。随着数据驱动建模技术的发展,利用神经网络模拟大气污染物的传输过程,对城市大气污染物浓度预测模型成为研究热点。 本文构建了一种基于深度学习方法的混合模型,将图卷积网络(GC N )和长短期记忆网络(LS TM)相结合,对城市大气污染物浓度的时空变化进行建模和预测。将不同站点的历史观测数据构建为时空图形序列,将地面空气质量监测站数据、气象因子、空间因子和时间属性定义为图形信号,利用图卷积网络提取不同监测站观测值之间的空间相关性,使用LSTM捕捉不同时间观测值之间的时间相关性,模拟城市大气污染污染物的时空特征。 为了评估混合预测模型在城市大气污染物浓度预测的性能,本文选用了均方根误差(RMSE)、平均绝对误差(MAE)、召回率(RR)和误识率(FAR)来作为评价标尺,同时选择多元线性回归(MLR)模型、前馈神经网络(FNN)模型和LSTM模型来作为对照组。本文的GC-LSTM模型得到的MAE值13.82和RSME值21.45均为最优值。并且预测偏差值的上四分位数和下四分位数均在9μg/m3以内。基于2.5PM浓度为115μg/m3阈值的81.2%召回率和2.2%误报率也证明模型的准确性和可行性。
大气污染物;分布预测;深度神经网络;时空图形序列;空间相关性
华北水利水电大学
硕士
计算机应用技术
闫新庆
2020
中文
X51
2020-12-14(万方平台首次上网日期,不代表论文的发表时间)