基于神经网络的PM_(2.5)质量浓度预测模型

随着经济发展和工业化水平提高,空气污染问题日渐凸显。其中PM_(2.5)对人类健康以及生产生活有较大影响,因其具有非线性、多因素影响等特点,采用一般预测手段难以获得理想的效果。为能更准确预测PM_(2.5)质量浓度,提出一种基于深度残差、卷积神经网络和门控循环单元交叉的融合模型(Residual-Cross-CNN-GRU neural network,RCCG-net),结合杭州地区的气象因素和空气污染物进行PM_(2.5)质量浓度预测,平均绝对误差为3.9633μg/m^(3),均方根误差为5.6146μg/m^(3),绝对系数为0.9625。随后利用皮尔逊相关系数作为PM_(2.5)与各特征因子的相关测度,剔除弱相关因子,试验结果表明,该模型结合皮尔逊相关系数之后,预测的平均绝对误差为3.6841μg/m^(3),均方根误差为5.4050μg/m^(3),绝度系数为0.9653。