基于深度时间序列特征融合的西安市2015—2020年供暖季雾霾重污染过程预警

摘要：

为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM2.5浓度进行了临近预测.该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM2.5前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM2.5浓度预测值.为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM2.5浓度预测精度.结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12％、85.29％、77.57％和51.10％,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM PM2.5)、多变量LSTM(M LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM2.5浓度对未来PM2.5浓度的影响随预测步长的增加从80.89％(t+3)急剧降低至16.34％(t+24),前体浓度影响力从5.23％(t+3)上升至29.43％(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响.

关键词：雾霾重污染、LSTM-MLR模型、预测、多尺度、神经网络

所属期刊栏目：41

分类号：X513(大气污染及其防治)

资助基金：国家自然科学基金21806131

在线出版日期：2022-10-31（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：5685-5694