时间精度与空间信息对神经网络模型预报PM2.5浓度的影响

摘要：

以北京市为例,利用2015—2018年空气质量监测站台资料,通过BP神经网络、LSTM网络及CNN-LSTM混合模型等多种模型,分析时间精度和空间信息对PM2.5浓度预报的影响.结果表明,神经网络模型的效果普遍比多元线性回归模型好;增加输入数据的时间精度能显著地提高PM2.5浓度日均值预报的准确率;当输入数据的时间精度从一天提高到6小时后,LSTM模型的平均绝对误差从27.39μg/m3降至20.59μg/m3,这种效果的提升在显著变好和显著变差的天气情况下更明显;华北地区PM2.5浓度分布有明显的时空特征,第一空间模态为同增同减,第二空间模态为南北反向;北京市PM2.5浓度与内蒙古、河北及天津等地区前一天的PM2.5相关.利用CNN-LSTM混合模型学习华北地区PM2.5的时空信息,能进一步提高北京市PM2.5浓度的预报水平,使得误差降低至17.36μg/m3.

关键词：神经网络、PM2.5预报、时间精度、空间特征

所属期刊栏目：56

资助基金：国家自然科学基金;广西壮族自治区特聘专家专项经费

在线出版日期：2020-06-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：417-426