典型文献
融合数值模式预报数据的深度学习PM2.5浓度预测模型
文献摘要：
PM2.5污染问题是中国近年来引起广泛关注的环境问题,对PM2.5浓度进行预报有重要意义.传统的预报方法是基于空气动力学理论的数值模式预报方法.最近几年深度学习方法被广泛应用于PM2.5浓度预报问题.之前的深度学习预报方法主要是使用观测站的观测数据建立单点式的预报模型.本文使用ConvLSTM深度神经网络建立模型,在中国及周边区域的PM2.5数据集上实现了网格化的序列到序列预报.模型通过卷积模块提取空间特征,通过LSTM模块提取时间特征,适合解决PM2.5网格化预报问题.同时,模型中使用了再分析数据和模式数据两种不同来源的数据结合起来进行预报,融合了深度学习方法和传统数值模式方法.实验表明,模型的均方根误差比数值模式预报下降30.2％,具有良好的预报效果.
文献关键词：
深度学习;PM2.5;时间序列预测
中图分类号：
作者姓名：
王舒扬;姜金荣;迟学斌;唐晓
作者机构：
中国科学院计算机网络信息中心,中国科学院大学,北京100190;中国科学院计算机网络信息中心,北京100190;中国科学院大气物理研究所,北京100029
文献出处：
引用格式：
[1]王舒扬;姜金荣;迟学斌;唐晓-.融合数值模式预报数据的深度学习PM2.5浓度预测模型)[J].数值计算与计算机应用,2022(02):142-153
A类：
B类：
数值模式,模式预报,报数,PM2,浓度预测,预报方法,空气动力学,动力学理论,深度学习方法,使用观,观测站,观测数据,单点,点式,预报模型,ConvLSTM,深度神经网络,建立模型,周边区域,网格化,序列到序列,卷积模块,空间特征,提取时间,时间特征,再分析数据,不同来源,数据结,比数,预报效果,时间序列预测
AB值：
0.367179
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。
