10.3969/j.issn.1673-629X.2023.02.025
融合深度神经网络特征的ARIMAX雾霾PM2.5预测
目前,雾霾污染问题是关乎国计民生的重大问题,它已经对人们的生产、生活、身体健康,以及生态环境和气候变化都产生了很大的影响.这样,如何通过监测雾霾变化获取的雾霾相关信息去准确预测雾霾污染物的浓度,以防治和减轻雾霾造成的严重后果变得尤为重要.因此,通过在简单有效的传统ARIMAX模型基础上融入深度神经网络语义特征,提出了一种新的雾霾PM2.5浓度预测框架.首先,把对雾霾预测有显著影响的气象因子温度、压力、相对湿度数据转换为图像数据;然后,运用ResNet-50(Residual Network-50)卷积神经网络模型提取深度语义特征,进而运用主成分分析(Principal Component Analysis,PCA)技术处理高维特征,得到最佳深度神经网络特征组合;最后,用ARIMAX技术建立雾霾PM2.5浓度预测模型.在收集的山西省2015~2019年PM2.5浓度和气象因子数据集上验证了该预测框架在皮尔逊相关系数(Pearson's Correlation Coefficient,PCC)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)度量下,对于1、3、5和7天长短期预测,都始终优于传统的简单差分自回归滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、三因素ARIMAX模型、多元回归模型、ResNet-多元回归模型、长短期记忆网络(Long and Short-Term Memory,LSTM)模型和支持向量机(Support Vector Machine,SVM)模型.
PM2. 5预测、ARIMAX模型、ResNet神经网络、主成分分析技术、深度语义特征
33
TP183;TP181(自动化基础理论)
山西省应用基础研究计划项目;国家自然科学基金;统计与数据科学前沿理论;教育部重点实验室开放基金
2023-03-07(万方平台首次上网日期,不代表论文的发表时间)
共6页
167-172