摘要
空气质量预测能够预知区域空间内的大气污染物浓度,对污染防治、环境保护和人身健康等具有非常重要的意义.针对现有空气污染物预测模型未能充分挖掘和利用上下文因素的影响和作用,提出了一种上下文特征注入的空气污染物预测模型.首先,通过循环神经网络和深度置信网络分别学习和提取空气污染物浓度数据的时间序列特征和上下文特征.然后,使用向量融合机制将提取到的上下文特征注入到时间序列特征中,生成新的融合特征.最后,将新的高阶融合特征送入预测器,对空气污染物浓度做出准确可靠的预测.实验选用2017 年1 月至2021 年7 月共55 个月的PM2.5 污染物浓度数据,并与LSTM、GRU、BiLSTM预测模型相比较,结果表明提出的特征注入模型在多种场景下都能够准确地拟合空气污染物浓度的真实值,预测精度优于传统循环神经网络模型,各项评价指标均较好,表现出较强的适应性和准确性.
基金项目
国家重点研发计划(2019YFE0108300)
国家自然科学基金(62001058)
陕西省自然科学基础研究计划(2020JM-258)
维普
万方数据