门限重复单元的PM2.5浓度预报方法

摘要：

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法.此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0～72 h的区域PM2.5浓度实时预报模型.实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报.同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率.

关键词：PM2.5实时预报、门限重复单元、WRF、深度学习

所属期刊栏目：43

在线出版日期：2018-09-10（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：79-86