基于改进BCCSA和深层LSTM的空气质量预测方法

现有的空气质量预测方法很少考虑季节性因素,且预测的效果不佳,因此提出一种基于改进二元混沌乌鸦搜索算法(Binary Chaotic Crow Search Algorithm,BCCSA)和深层长短期记忆神经网络(Long Short Term Memory,LSTM)的空气质量预测方法。首先提出季节调整的方法对收集的原始空气质量数据进行预处理,以消除季节对预测的影响;然后提出改进BCCSA,对空气质量数据进行优化处理;最后,将自注意力机制加入到深层LSTM中,对空气质量数据进行预测。实验结果表明,该方法能有效地提高空气质量的预测精度。