利用人工智能神经网络预测广州市PM2.5日浓度

摘要：

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨率可以提升预报效果,尤其在ARIMA自回归模型预报中较为明显,用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题.由于模型使用前一天(t?1)的PM2.5作为输入数据,即只能预报t+1天的PM2.5值.为增加模型的预报时效,采用滚动预报的方式对模型进行优化,能够显著地提升预报时效,实现对t+n天的连续预报,且预报误差与后报结果相当.将时间精度为6 h的数据作为输入,用ARIMA模型进行预报的效果最好,最小MAE值为6.478.

关键词：广州市;PM2.5;整合移动平均自回归模型(ARIMA);后向传播神经网络(BP);长短期记忆神经网络(LSTM);集合经验模态分解(EEMD)

所属期刊栏目：57

资助基金：广东省重点领域研发计划;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：2021-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：645-652