融合2维卷积与注意力以预测PM2.5浓度的S-TCN模型
针对传统预测模型对PM2.5 浓度预测精度较低、可解释性差的缺陷,提出一种融合2维卷积层(2D convolution)和注意力层的时空卷积网络预测模型(spatio-2D-temporal convolutional networks attention,S-2D-TCNA).选取北京市2014年5月1日～2015年4月30日的36个监测站点逐小时空气质量和气象数据,通过对多个站点时空相关性分析,将符合相关性阈值的监测站数据输入至卷积进行升维再降维的处理方式,得出具有时空序列的输入特征;将注意力融入时间卷积网络预测模型,用于预测未来1 h的中心监测站PM2.5 浓度.在模型训练优化参数过程中,通过Adam来训练深度学习模型的参数,然后使用贝叶斯优化来调整模型的超参数,这种方法能找到模型的最佳参数,使其均方根误差、平均绝对误差分别减少3.791%和5.576%,拟合优度增大0.67%;在质量方面,所提出的S-Conv2D-TCNA模型均方根误差、平均绝对误差和拟合优度分别为16.020 9、10.610 0和0.942 8,该预测模型在准确性和稳定性方面优于基线模型.结果表明,该预测模型空气污染的预警、区域预防和控制方面大有可为.
时空序列、注意力、时间卷积网络(TCN)、PM2.5浓度
43
X513(大气污染及其防治)
河北省省级科技计划项目20477703D
2024-02-27（万方平台首次上网日期，不代表论文的发表时间）
共10页
77-86
