论文摘要
针对目前大部分PM2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM2.5小时浓度预测。
论文目录
文章来源
类型: 期刊论文
作者: 黄婕,张丰,杜震洪,刘仁义,曹晓裴
关键词: 小时浓度预测,深度学习,集成学习
来源: 浙江大学学报(理学版) 2019年03期
年度: 2019
分类: 基础科学,工程科技Ⅰ辑,信息科技
专业: 环境科学与资源利用,自动化技术
单位: 浙江大学浙江省资源与环境信息系统重点实验室,浙江大学地理信息科学研究所
基金: 国家自然科学基金资助项目(41671391,41471313),国家海洋公益性行业科研专项经费资助项目(201505003)
分类号: X831;TP181
页码: 370-379
总页数: 10
文件大小: 4213K
下载量: 1023