利用人工智能神经网络预测广州市PM_2.5日浓度

李泽群¹, 韦骏^1,2,3,?

1. 中山大学大气科学学院, 珠海 5190822. 南方海洋科学与工程广东省实验室(珠海), 珠海 5190823. 广西大学海洋学院, 南宁 530004

收稿日期:2020-06-03修回日期:2020-12-25出版日期:2021-07-20

基金资助:广东省重点领域研发计划(2020B1111020003)、国家自然科学基金(41976007, 91958101)和广西壮族自治区特聘专家专项经费(2018B08)资助

Prediction of PM_2.5 Daily Concentration of Guangzhou Based on Neural Network Algorithms

LI Zequn¹, WEI Jun^1,2,3,?

1. School of Atmospheric Sciences, Sun Yat-sen University, Zhuhai 5190822. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519082 3. School of Marine Sciences, Guangxi University, Nanning 530004

Received:2020-06-03Revised:2020-12-25Published:2021-07-20

PDF

(848KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM), 对广州市2015—2019年的PM_2.5浓度数据进行训练和预报, 研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响。结果表明, EEMD分解可以显著地提升低频分量的预报效果; 提高输入数据的时间分辨率可以提升预报效果, 尤其在ARIMA自回归模型预报中较为明显, 用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题。由于模型使用前一天(t -1)的PM_2.5作为输入数据, 即只能预报t+1天的PM_2.5值。为增加模型的预报时效, 采用滚动预报的方式对模型进行优化, 能够显著地提升预报时效, 实现对t+n天的连续预报, 且预报误差与后报结果相当。将时间精度为6 h的数据作为输入, 用ARIMA模型进行预报的效果最好, 最小MAE值为6.478。

引用本文

李泽群, 韦骏. 利用人工智能神经网络预测广州市PM_2.5日浓度[J]. 北京大学学报自然科学版, 2021, 57(4): 645-652.
LI Zequn, WEI Jun. Prediction of PM_2.5 Daily Concentration of Guangzhou Based on Neural Network Algorithms[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(4): 645-652.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3632