典型文献
集成AEC和时空特征的工业园区PM2.5浓度预测
文献摘要：
为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量(AEC)和时空特征的工业园区PM2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数(ASI),结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM2.5浓度的时间变化特征和其与周围监测点PM2.5的空间相关特征.通过CNN获取训练数据中PM2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018～2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明:本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10％;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM2.5污染天数预测准确率最高,达93％;分季节预测结果表明,秋冬季的预测精度最高.
文献关键词：
PM2.5预测;CNN-BILSTM;大气环境容量;工业园区
中图分类号：
作者姓名：
董红召;廖世凯;杨强;应方
作者机构：
浙江工业大学,智能交通系统研究所,浙江 杭州 310014;杭州环研科技有限公司,浙江 杭州 311122;浙江省杭州生态环境监测中心,浙江 杭州 310004
文献出处：
引用格式：
[1]董红召;廖世凯;杨强;应方-.集成AEC和时空特征的工业园区PM2.5浓度预测)[J].中国环境科学,2022(10):4537-4546
A类：
B类：
AEC,时空特征,工业园区,PM2,浓度预测,企业污染排放,精细化管控,污染物浓度,响应关系,大气环境容量,有限体积法,日均,大气自净能力,自净能力指数,ASI,排放数据,小波分析,相关系数法,目标监测,监测站,时间变化特征,监测点,空间相关,训练数据,关联特征,BILSTM,充分反映,序列训练,中隐,长短期,依赖关系,快速准确,预测性能,濮阳市,大气污染物,观测数据,气象数据,精度提升,模型精度,污染天数,预测准确率,分季,季节预测,秋冬季
AB值：
0.34605
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。
