为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memor...为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。展开更多
文摘为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。
