一种面向细粒度空气质量分指数(IAQI)预测的时空因果卷积模型
精确、细粒度空气质量分指数(Individual Air Quality Index,IAQI)预测是空气质量指数(Air Quality Index,AQI)的基础,对于空气质量防治和保护人类身心健康均具有重要意义.目前传统时序建模、循环神经网络(Recurrent Neural Network,RNN)、图卷积网络(Graph Convolutional Network,GCN)等方法难以有效融合时空因素和气象因素,稳定提取监测站点间动态边缘关系.本文提出了基于时空因果卷积网络(Spatial-Temporal Causal Convolution Networks,ST-CCN)的空气质量分指数预测模型ST-CCN-IAQI.首先采用空间注意力机制分析多源空气污染物和气象因素的空间效应;其次利用堆叠膨胀卷积和时间注意力机制提取特征矩阵的时间依赖性特征;最后采用贝叶斯调优方法对膨胀卷积的多种参数进行了调优.本文采用上海市空气监测站空气质量分指数(IAQI-PM2.5)数据展开实验,并采用一系列基线模型(AR、MA、ARMA、ANN、SVR、GRU、LSTM和ST-GCN)与ST-CCN-IAQI效果进行对比.实验结果显示:①在单测站测试中,ST-CCN-IAQI的RMSE和MAE值分别为9.873、7.469,相比基线模型平均下降了 24.95％和16.87％;R2值为0.917,相比基线平均提升了 5.69％;②对全部站点的IAQI-PM2.5、IAQI-PM10和IAQI-NO2的预测,证明了 ST-CCN-IAQI具有较强的泛化能力和稳定性.③采用Shapley分析方法论证了 IAQI-PM10、湿度、IAQI-NO2对IAQI-PM2.5的预测具有较大程度的影响;通过不同数据抽样条件下的Friedman检验,证明了ST-CCN-IAQI对比基线模型有显著的性能提升.ST-CCN-IAQI方法为细粒度IAQI精准预测提供了一种鲁棒可行的解决方案.
细粒度空气质量分指数预测、多源影响因素、时空注意力、因果卷积网络、贝叶斯优化、Shapley分析、Friedman检验、上海市
25
TP391;TN911.7;F270
国家重点研发计划2020YFB2104400
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）
共16页
115-130
