时间精度与空间信息对神经网络模型预报PM_2.5浓度的影响

更新时间:2023-05-28

【摘要】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/m3降至20.59μg/m3,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/m3。

【关键词】 神经网络 2.5预报 MTk4OTVVcFJaYWU3S1dSYnFXWitOdkZ5emlVTDA9TlNEVUJyR21HOGdvT3c3ZEM1b0lEMzA0eHhKbDZFbDdPZ3E=) &#xA ">PM2.5预报 时间精度 空间特征

阅读全文