基于LSTM网络与误差补偿的预测模型

摘要：

随着时代发展,空气质量逐渐受到人们的重视,所以对未来空气污染物的变化预测显得尤为重要.首先,针对PM2.5的非线性变化以及变化所具有的周期性,选取完整年度数据进行训练和预测,使用对非线性序列数据拟合效果较好的LSTM网络作为初步预测模型,选择合适的滑动窗口,使用训练数据,建立了 LSTM网络预测模型.由于ISTM网络预测结果中存在相邻年份误差分布相似,但整年分布不均匀的现象,使用FCM对训练数据及误差进行模糊聚类.通过聚类中心,对当前预测数据进行分类,并利用聚类结果,得到当前预测数据的误差补偿值,对1STM网络的当前预测结果进行误差补偿,得到最终预测结果.最后,通过合肥2017年至2021年的空气污染数据对该方法进行了验证,结果表明,所建模型的效果优于其他对比模型,具有一定的可行性与有效性.

关键词：PM2.5预测、长短时记忆网络、模糊聚类、误差相似性、误差补偿

所属期刊栏目：33

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;安徽大学研究生创新项目

在线出版日期：2023-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：133-138