基于CNN-GRU-SSA组合模型的PM_(2.5)浓度预测

为了解决门控循环单元(gated recurrent unit,GRU)超参数选取困难的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)、门控循环单元和麻雀搜索算法(sparrow search algorithm,SSA)的组合模型(CNN-GRU-SSA)。首先利用CNN对输入的多维数据集进行特征提取;然后将CNN提取到的特征输入GRU模型;最后使用SSA算法优化GRU模型的超参数,并将其应用于PM_(2.5)浓度预测。选取西部城市成都与东部城市杭州作为研究区域,使用2021年12月1日—2022年2月13日的大气污染物、气象因素、边界层高度(boundary layer height,BLH)以及大气可降水量(precipitable water vapor,PWV)的小时数据进行建模,分别预测两市2022年2月14日—2月28日PM_(2.5)浓度变化。实验结果表明,CNN-GRU-SSA模型预测精度与其他模型相比有明显提高,其中成都的预测值最接近实际值。