一种基于小波变换和LSTM的大气污染物浓度预测模型
针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络(LSTM)预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了 1种基于小波变换(WT)的LSTM大气污染物预测模型(WT-LSTM),用以预测目标区域内的次日平均ρ(PM2.5)、ρ(PM10)、ρ(SO2)、ρ(NO2)和ρ(O3).采用长沙市2015-2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归(MLR)和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了 50%,其对PM2.5、PM10、SO2、NO2和O3的污染等级预测准确率均在80%以上.
空气质量指数、机器学习、小波变换、大气污染物预测
39
TP391;TM614;TP183
国家科技支撑计划;中央高校基本科研业务费专项中南大学项目
2021-06-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
111-119