基于CNN-BiLSTM模型的PM2.5浓度预测方法
针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.
PM2.5、CNN、BiLSTM、时空特征、预测模型
52
TP391;TP183;U491
工业和信息化部信息通信管理局项目TC190A3X9-1-3
2022-08-12(万方平台首次上网日期,不代表论文的发表时间)
共8页
181-188