基于Informer的PM2.5浓度预测
针对现有PM2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了 1个Seq2Seq的单站点PM2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM2.5浓度的预测.所构建模型基于ProbSparse(概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度.采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测.
PM2.5浓度预测、机器学习、Informer、自注意力机制、时间序列
40
TP391;X513;X831
2022-09-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
48-54,62