论文部分内容阅读
空气质量预测是当前环境可持续领域研究的热点与难点,特别是PM2.5预测对居民健康与公共出行具有重要指导意义。政府为推动环境精细化管理,部署了大量微环境质量监测站点,形成了密集的网格化微监测站点场景。目前对于PM2.5预测的研究主要是对于国基站这种稀疏型站点,缺乏对密集型站点场景下的研究。对密集型站点场景中的PM2.5预测研究,可以助力政府推动区域精细化管理。相比稀疏型站点,密集型站点场景中站点空间联系紧密,邻近站点具有相似的时空特征,为深度学习与多任务学习等新兴人工智能方法在PM2.5预测中的应用提供了新的可能。本文以兰州市为例,以359个密集型微监测站点场景为研究对象,探索密集型站点场景内的PM2.5预测方法。具体研究内容如下:(1)针对密集型站点中PM2.5预测方法研究不足的问题,提出了基于深度学习的PM2.5预测方法在密集型场景中的整体预测体系方法,分析了可供选择的应用模型,给出了模型训练与评价的方法,为后续章节的研究工作建立基础。(2)针对现有PM2.5预测方法无法满足密集型站点应用要求的问题,提出了一种面向密集型站点的PM2.5混合预测模型CNN-GRU-FC,并在兰州市三个区域随机选取的三个站点进行应用分析。实验将该模型与DNN、SVM、CNN、GRU、CNN-GRU分别对t+1时刻的PM2.5预测进行比较。与其他模型相比,该模型在三个站点的评价指标MAE和RMSE中均最低,以CNN为基准作对比,该模型在三个站点的整体预测中评价指标MAE值和RMSE值分别提高了31.94%和24.93%。(3)针对混合模型CNN-GRU-FC复杂度高、训练参数量大,同时仅对单个任务进行学习,在挖掘空间特征能力方面仍有缺陷的问题。提出了一种基于深度多任务学习的PM2.5预测模型MTD-CNN-GRU,它能借助其他辅助任务一起学习,在与CNN-GRU-FC相同的建模应用条件下,实验将该模型与CNN、GRU、CNNGRU分别对t+1与t+4时刻的PM2.5进行比较。与其他模型相比,该模型在三个站点t+1与t+4时刻的评价指标MAE和RMSE中均最低,同样与CNN为基准作对比,该模型在三个站点的整体预测t+1时刻中评价指标MAE值和RMSE值分别提高了39.51%和28.52%。