基于KNN-LSTM的PM2.5浓度预测模型
目前多数PM2.5浓度预测模型仅利用单个站点的时间序列数据进行浓度预测,并没有考虑到空气质量监测站之间的区域关联性,这会导致预测存在一定的片面性.本文利用KNN算法选择目标站点所在区域中与其相关的空间因素,并结合LSTM模型,提出基于时空特征的KNN-LSTM的PM2.5浓度预测模型.以哈尔滨市10个空气质量监测站的污染物数据进行仿真实验,并将KNN-LSTM模型与其他预测模型进行对比,结果显示:模型相较于BP神经网络模型平均绝对误差(MAE)、均方根误差(RMSE)分别降低了19.25%、13.23%;相较于LSTM模型MAE、RMSE分别降低了4.29%、6.99%.表明本文所提KNN-LSTM模型能有效提高LSTM模型的预测精度.
PM2.5预测、空间相关性、KNN、LSTM
29
浙江省公益性技术应用研究计划 2014C31G2060072
2020-07-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
193-198