|
|||||
|
|
| 基于滑动窗口和LSTM的PM_(2.5)浓度预测模型 | |
| 作者单位： | ;1.兰州交通大学数理学院;2.甘肃荣泽源数据科技有限公司 |
| 摘 要： | 随着环境空气质量日趋重要,PM_(2.5)浓度也逐渐受到重视。以北京市某空气质量监测站2010.1.1～2014.12.31的PM_(2.5)浓度的小时数据以及对应的气象数据作为样本进行实验。首先对数据进行预处理,考虑到PM_(2.5)前后关联性很强这一特点,将数据进行基于时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM_(2.5)浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好。 |
| 关 键 词： | 空气质量 PM_(2.5) 滑动窗口处理 LSTM 指数衰减方法 |
PM_(2.5) concentration prediction model based on sliding window and LSTM |
|
| Abstract: | |
| Keywords: | |