基于大数据的城市空气质量时空预测模型
来源期刊：控制工程2020年第11期
论文作者：杨张婧 阎威武 王国良 车继勇
关键词：空气质量预测;LSTM;CNN;混合模型;
摘 要：针对常用的基于数据驱动的空气质量预测方法只考虑当地站点时序特性的缺陷问题,提出一种时空特性的空气质量预测算法,通过长短期记忆网络（Long Short-term Memory,LSTM）构成SequencetoSequence范式处理时间序列的变长输入与输出,获取本地PM2.5时间序列规律;通过卷积神经网络（CNN）获取站点间的空间相关性及特征的进一步抽象,结合两类网络产生从结构上反映时间与空间相关性的预测结果。对比实验的结果表明,LSTM-CNN混合模型在公开数据集上,与神经网络、回归树以及简单的LSTM系列模型相比,取得了更好的预测效果,证实所提算法的优越性能。
杨张婧1，阎威武1，王国良2，车继勇3
1. 上海交通大学电子信息与电气工程学院2. 上海工程技术大学电子电气工程学院3. 上海蓝滨石化设备有限责任公司
摘 要：针对常用的基于数据驱动的空气质量预测方法只考虑当地站点时序特性的缺陷问题,提出一种时空特性的空气质量预测算法,通过长短期记忆网络（Long Short-term Memory,LSTM）构成SequencetoSequence范式处理时间序列的变长输入与输出,获取本地PM2.5时间序列规律;通过卷积神经网络（CNN）获取站点间的空间相关性及特征的进一步抽象,结合两类网络产生从结构上反映时间与空间相关性的预测结果。对比实验的结果表明,LSTM-CNN混合模型在公开数据集上,与神经网络、回归树以及简单的LSTM系列模型相比,取得了更好的预测效果,证实所提算法的优越性能。
关键词：空气质量预测;LSTM;CNN;混合模型;
