典型文献
基于LSTM-GCN的PM2.5浓度预测模型
文献摘要：
应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征.面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM2.5浓度的LSTM-GCN组合模型.以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68％、7.34％;相较于GCN模型RMSE、MAE分别降低了40.22％、36.37％;相较于GTWR模型RMSE、MAE分别降低了17.52％、23.69％,表明所提出LSTM-GCN模型在准确率上有所提升.用LSTM-GCN模型预测2021年1—7月PM2.5浓度,结果显示预测效果较好.
文献关键词：
长短期记忆网络;图卷积网络;细颗粒物浓度预测
中图分类号：
作者姓名：
马俊文;严京海;孙瑞雯;刘保献
作者机构：
北京市生态环境监测中心,大气颗粒物监测技术北京市重点实验室,北京 100048
文献出处：
引用格式：
[1]马俊文;严京海;孙瑞雯;刘保献-.基于LSTM-GCN的PM2.5浓度预测模型)[J].中国环境监测,2022(05):153-160
A类：
细颗粒物浓度预测
B类：
GCN,PM2,机器学习算法,空气质量预测,空气质量监测,时空特征,时间维度,时序特征,空间维度,演化特征,时间特征,空间特征,组合模型,监测站,时空地理加权回归模型,GTWR,RMSE,平均绝对误差,MAE,长短期记忆网络,图卷积网络
AB值：
0.208261
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。
