臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型(ST-IDN)来挖掘臭氧浓度历史数据的时间相关性和空间相关性,并成功将其应用到网格化臭氧浓度数据预测上。在该模型中,首...臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型(ST-IDN)来挖掘臭氧浓度历史数据的时间相关性和空间相关性,并成功将其应用到网格化臭氧浓度数据预测上。在该模型中,首先交互模块(IC)可以通过一系列的卷积操作来捕捉短期上下文信息,其次层融合模块(LF)可以融合不同层的空间信息来获得上一时刻丰富的空间信息,最后差分时空LSTM模块(DSTM)将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)以及Memory in Memory网络(MIM)模型在河北省气象局提供的臭氧浓度数据上进行了对比分析,ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明,所提出的模型能够提高臭氧浓度的预测精度。展开更多
文摘臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型(ST-IDN)来挖掘臭氧浓度历史数据的时间相关性和空间相关性,并成功将其应用到网格化臭氧浓度数据预测上。在该模型中,首先交互模块(IC)可以通过一系列的卷积操作来捕捉短期上下文信息,其次层融合模块(LF)可以融合不同层的空间信息来获得上一时刻丰富的空间信息,最后差分时空LSTM模块(DSTM)将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)以及Memory in Memory网络(MIM)模型在河北省气象局提供的臭氧浓度数据上进行了对比分析,ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明,所提出的模型能够提高臭氧浓度的预测精度。
