时间精度与空间信息对神经网络模型预报PM2.5浓度的影响

以北京市为例,利用2015-2018年空气质量监测站台资料,通过BP神经网络、LSTM网络及CNNLSTM混合模型等多种模型,分析时间精度和空间信息对PM2.5浓度预报的影响。结果表明,神经网络模型的效果普遍比多元线性回归模型好;增加输入数据的时间精度能显著地提高PM2.5浓度日均值预报的准确率;当输入数据的时间精度从一天提高到6小时后,LSTM模型的平均绝对误差从27.39μg/m^3降至20.59μg/m^3,这种效果的提升在显著变好和显著变差的天气情况下更明显;华北地区PM2.5浓度分布有明显的时空特征,第一空间模态为同增同减,第二空间模态为南北反向;北京市PM2.5浓度与内蒙古、河北及天津等地区前一天的PM2.5相关。利用CNN-LSTM混合模型学习华北地区PM2.5的时空信息,能进一步提高北京市PM2.5浓度的预报水平,使得误差降低至17.36μg/m^3。

基于集合经验模态分解和BP神经网络的北京市PM2.5预报研究

利用集合经验模态分解算法(EEMD)和BP神经网络组成的混合模型,对北京城区PM2.5浓度值进行短期预报。结果表明,与单独使用BP神经网络模型相比,EEMD-BP混合模型的预报准确率更高;混合模型高频部分的预报误差是整体误差的主要方面;混合模型的输入变量中需包含输出变量的信息;前期污染物浓度的数值对模型的预报结果有较大的影响。