發(fā)布時間：2025-01-14 01:33

　　 針對傳統(tǒng)深度學習模型在預(yù)測空氣質(zhì)量指數(shù)(air quality index,AQI)時,難以從時間角度建模、網(wǎng)絡(luò)超參數(shù)選取困難等問題,提出一種基于長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)和煙花算法(fireworks algorithm,FWA)的AQI預(yù)測模型LSTM-FWA。首先,以武漢市歷史空氣質(zhì)量和氣象監(jiān)測數(shù)據(jù)為研究對象,利用LSTM網(wǎng)絡(luò)中隱含層節(jié)點之間相互連接的結(jié)構(gòu)特點,對空氣質(zhì)量的時間變化特征進行建模;接下來,考慮到種群多樣性和并發(fā)性,將煙花算法應(yīng)用到超參數(shù)組合優(yōu)化問題中;最后,對模型輸入分別進行時間、空間、時空角度的優(yōu)化,實驗結(jié)果表明基于時空優(yōu)化的LSTM-FWA模型預(yù)測性能提升最為明顯。將LSTM-FWA與其他預(yù)測模型進行比較,并全面分析不同模型在各種優(yōu)化策略下的性能。實驗結(jié)果顯示,本文提出的時空優(yōu)化LSTM-FWA模型對于AQI預(yù)測具有最優(yōu)的性能。

【文章頁數(shù)】：13 頁

【部分圖文】：

圖1LSTM模塊內(nèi)部結(jié)構(gòu)示意圖Fig.1TheinnerstructureofLSTMunit

好的煙花，壞的煙花表示該組超參數(shù)的預(yù)測性能較差，所以附近存在較優(yōu)超參數(shù)組合的可能性較少，因此爆炸產(chǎn)生的超參數(shù)組火花數(shù)較少，且距離該組超參數(shù)的中心較遠，位置也比較分散，可在解空間其他位置搜尋潛在的爆炸效果好的超參數(shù)組合，從而提高全局搜索能力。被選中的超參數(shù)組火花進入下一輪迭代后，會....

圖2不同爆炸效果的煙花爆炸半徑和產(chǎn)生火花數(shù)Fig.2Theexplodedfireradiusandgeneratedfireworksfromdifferentexplosioneffects

圖3基于煙花算法的超參數(shù)尋優(yōu)流程圖Fig.3Flowchartofsuper-parametersoptimizationwithfireworksalgorithm

-FWA，對空氣質(zhì)量進行預(yù)測。該模型輸入數(shù)據(jù)為目標城市在預(yù)測日前一天的空氣質(zhì)量數(shù)據(jù)、氣象數(shù)據(jù)以及第二天的氣象預(yù)報數(shù)據(jù)，輸出數(shù)據(jù)為預(yù)測出的第二天的AQI值。以下表為例，武漢市在預(yù)測日前一天的空氣質(zhì)量數(shù)據(jù)（共8項）如表1所示；氣象數(shù)據(jù)（共18項）如表2所示。因此模型輸入維度為44，即....

圖4LSTM-FWA預(yù)測模型流程Fig.4FlowchartofLSTM-FWApredictionmodel

能見度/km平均能見度/km最小能見度/km最大風速/m·s-1最小風速/m·s-1降水量/mm值103710341031181461160表1武漢市在預(yù)測日前一天的空氣質(zhì)量數(shù)據(jù)Table1AirqualitydataofWuhanonthedaybeforeprediction....

本文編號：4026205