典型文献
基于CNN-BiLSTM模型的PM2.5浓度预测方法
文献摘要：
针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.
文献关键词：
PM2.5;CNN;BiLSTM;时空特征;预测模型
中图分类号：
作者姓名：
叶如珊;王海波
作者机构：
湖北工业大学经济与管理学院,湖北 武汉430068
文献出处：
引用格式：
[1]叶如珊;王海波-.基于CNN-BiLSTM模型的PM2.5浓度预测方法)[J].数学的实践与认识,2022(07):181-188
A类：
B类：
BiLSTM,PM2,浓度预测,Long,Short,Term,Memory,时序特征,空间特征,Convolutional,Neural,Networks,双向长短期记忆网络,directional,混合预测模型,空间关联性,融合数据,时空特征,污染水平,实验对比,预测误差,预测性能
AB值：
0.300039
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。
