典型文献
基于Informer的PM2.5浓度预测
文献摘要：
针对现有PM2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了 1个Seq2Seq的单站点PM2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM2.5浓度的预测.所构建模型基于ProbSparse(概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度.采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1～6 h的PM2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测.
文献关键词：
PM2.5浓度预测;机器学习;Informer;自注意力机制;时间序列
中图分类号：
作者姓名：
董浩;孙琳;欧阳峰
作者机构：
西南交通大学地球科学与环境工程学院,成都611756;西南交通大学信息科学与技术学院,成都611756
文献出处：
引用格式：
[1]董浩;孙琳;欧阳峰-.基于Informer的PM2.5浓度预测)[J].环境工程,2022(06):48-54,62
A类：
ProbSparse
B类：
Informer,PM2,浓度预测,时序预测模型,Seq2Seq,单站,多步,气象数据,构建模型,自注意力机制,序列信息,非线性关系,预测准确度,空气污染物,模型训练,循环神经网络,RNN,长短期记忆网络,平均绝对误差,MAE,RMSE,可决系数
AB值：
0.278103
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
