基于RNN的空气污染时空预报模型研究

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归方法对北京市地面空气质量监测数据和气象数据进行分析,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

运用贝叶斯方法的PM2.5浓度时空建模与预测

针对当前我国大部分地区正面临严重的空气污染问题,对重污染区域进行时空建模具有重要的意义。该文基于贝叶斯时空模型建立了京津冀区域的PM2.5浓度时空预测模型,该模型充分考虑了PM2.5浓度的时间变异特性与空间分布特性,并引入了气象数据作为协变量对没有监测站的位置进行预测。实验结果表明,该方法具有很好的预测精度,其在测试站点上的拟合优度达到了0.9以上,能够应用于区域级PM2.5浓度的时空分布建模与预测。