一种基于PCA-IPSO的BiLSTM神经网络预测PM2.5

摘要：

目前空气污染严重,为了实时监测空气质量,保证人们的生活健康,提出了一种新的神经网络预测模型来提高PM2.5的预测精度.通过PCA降维缩减数据的维度简化数据,将PSO的惯性权重从线性减小改进成非线性变化,再将加速因子从固定值进行线性变化,动态地调整了粒子的局部寻优和全局寻优,并且在原有的基础上加入了遗传算法的变异操作,进行自适应变异,避免其陷入局部最优,并对粒子的适应度函数做改进.采用改进的PSO算法优化BiLSTM结构的迭代次数、学习率、两个隐含层的节点数,构成PCA-IPSO-BiLSTM神经网络预测模型.最后将该预测模型与PCA-PSO-BiLSTM、PSO-BiLSTM预测模型进行对比,结果表明该预测模型的优化性能最好,预测精度更高,在预测PM2.5浓度值上有巨大的使用价值.

关键词：PM2.5预测;BiLSTM神经网络;改进PSO;PCA;自适应变异;预测模型;适应度函数改进

所属期刊栏目：45

分类号：TN711-34(基本电子电路)

资助基金：国家自然科学基金41575155

在线出版日期：2022-02-22（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：119-124