典型文献
基于多通道长短期记忆网络的PM2.5小时浓度预报
文献摘要：
PM2.5作为主要的大气污染物之一,严重影响空气质量和人体健康.基于深度学习的PM2.5小时预报研究中,不同输入要素的历史时间序列对PM2.5预报结果的响应情况存在差异.因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM2.5浓度进行预报.首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM2.5浓度预报结果.将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比.结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型.其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26μg/m3、51％、0.91.对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2％和3％.此外,增加LSTM层深度不会提升模型的预报精度.研究显示,利用MULTI-LSTM模型作为PM2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.
文献关键词：
长短期记忆网络(LSTM);PM2.5浓度预报;时间序列;多通道;深度学习
中图分类号：
作者姓名：
张鑫磊;张冬峰;刘伟;杨倩;郭媛媛;任玉欢;范志宣
作者机构：
山西省气候中心,山西太原 030006;吉林省气象科学研究所,吉林长春 130062
文献出处：
引用格式：
[1]张鑫磊;张冬峰;刘伟;杨倩;郭媛媛;任玉欢;范志宣-.基于多通道长短期记忆网络的PM2.5小时浓度预报)[J].环境科学研究,2022(12):2685-2692
A类：
LSTME
B类：
多通道,道长,长短期记忆网络,PM2,大气污染物,人体健康,历史时间,太原市,空气质量监测,监测站,气象观测站,Multi,Channels,Long,Short,Term,Memory,MULTI,学习结果,单通道,BASE,扩展模型,预报精度,观测窗,报时,测试集,RMSE,MAPE,IA,增至,别下,预报模型,气象要素
AB值：
0.252654
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。
