摘要
我国城市化和经济增长速度较快，车辆尾气、工厂废气的排放、人类活动等因素对空气造成了较大的污染，影响市民的生产生活。PM2.5只是地球大气中含量很少的成分，但它对空气质量和能见度等有重要的影响。精准预测空气中PM2.5浓度对人们身体健康、工业生产等方面具有重要的意义。 现有的基于传统统计学习方法的PM2.5浓度预测复杂度较低，但是预测准确度不够理想，而基于深度学习的模型往往需要更长的训练时间，尤其是当混合多个深度学习模型时训练时间会更长。因此，本文研究设计计算复杂度相对较低同时预测准确度较高的深度学习模型，首先设计了联合使用PM2.5浓度与输入特征（即SO2浓度、风速等污染物浓度与气象参数）之间相关性和注意力机制的PM2.5浓度预测模型，接着进一步设计基于PM2.5浓度季节特性的分季节预测模型，最后开发了PM2.5浓度预测系统。具体来说，本文主要研究贡献如下： 1、分析了PM2.5浓度与各特征之间的Pearson相关性，分析结果表明了PM2.5浓度与不同特征之间的相关性存在显著差异，这为预测模型有效设计打下了基础。 2、设计了联合利用PM2.5浓度与输入特征之间相关性、基于注意力机制的双向门控循环单元（BiGRU）PM2.5浓度预测模型。该预测模型将各特征的值乘以Pearson相关性作为输入，以使不同特征对PM2.5浓度的影响程度得到较好的体现。BiGRU能够有效地学习输入特征与PM2.5浓度之间的关联性，而注意力机制有利于模型关注到对PM2.5浓度有重要影响的输入特征。为了验证所提预测模型的有效性，对比了多种机器学习和深度学习预测模型，包括SVM、决策树算法、BP、GRU、BiGRU等。实验结果表明，所提出的模型相比于其他基准模型具有更高的预测准确性，而且模型的训练耗时不长。 3、进一步按季节分析了PM2.5浓度与各特征之间的Pearson相关性，揭示了不同的季节具有不同的Pearson相关性，即在不同的季节，各参数对PM2.5浓度的影响程度不一样。基于该特性，进一步设计了基于PM2.5浓度季节特性的分季节预测模型。实验结果表明，分季节的预测模型能进一步地提高预测准确性。 4、设计开发了基于所提出的PM2.5浓度预测模型的PM2.5浓度预测系统，包含数据采集、数据可视化、模型训练和预测模块等模块。
NETL