基于深度学习的城市雾霾预测方法研究

发布时间：2020-07-03 17:15

【摘要】：城市雾霾(PM_(2.5)、PM_(10))的治理(“治霾”)是一个周期较长的过程,在短期无法彻底改善空气质量的前提下,通过及时有效地预测城市雾霾,对减少雾霾带来的危害意义重大,然而由于雾霾预测受多种因素影响,现有的城市雾霾预测方法中未全面考虑到时间和空间上的影响因子,对多源大数据未充分利用等问题造成预测模型的准确度和自适应性还有待提高。针对上述问题,本文重点研究城市雾霾预测方法面临的准确度和自适应性问题,提出了一种AMLSTM预测模型,同时为了寻求较优的网络结构,对该模型进行了深度优化。主要内容如下:(1)对于多源大数据,将时间上具有时间序列特性的空气污染要素、气象要素和空间上不同地址位置的监测站纳入雾霾预测中的影响因子,作为辅助输入数据融入城市雾霾预测模型中,利用相关显著性,改善了雾霾预测模型数据集的质量,从而提高了雾霾预测模型的准确度;(2)将改进的注意力机制(AM)引入长短期记忆网络(LSTM),提出了一种新的基于深度学习的城市雾霾预测方法(AMLSTM)。通过多次使用Attention机制对多个LSTM单元进行计算,积极关注雾霾预测中的关键信息,在整体信息处形成区分度高的特征,使得网络能够自适应分配权重,提高了预测模型的准确度和自适应性。实验结果表明:AMLSTM预测模型雾霾浓度(PM_(2.5)和PM_(10)平均值)均方根误差RMSE达到11.33μg/m~3;(3)为寻求较优的网络结构,利用条件受限玻尔兹曼机(CRBM)对AMLSTM网络深度进行了优化。CRBM层将预测雾霾的特征从底层提取到LSTM层,从而提高了模型的预测准确度和自适应性,预测模型雾霾浓度(PM_(2.5)和PM_(10)平均值)均方根误差RMSE达到9.16μg/m~3,比AMLSTM预测模型减小了2.20μg/m~3;(4)对提出的深度学习预测方法进行了城市雾霾预测的示范性应用,并与其他常用的雾霾预测方法进行了对比实验,且为验证不同季节对雾霾预测的影响,对冬夏两季进行了相关雾霾预测。结果均表明:提出的AMLSTM预测模型及深度优化后的模型(CDBN-LSTM)在预测准确度方面均优于其他常用的雾霾预测方法。本文所提出的基于深度学习的预测方法能够有效实现对城市雾霾的预测预报,可为城市雾霾的防治工作提供技术参考。
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X513;TP18
【图文】：

环境恶化,项目编号,连续监测,全球

阐述了城市雾霾的产生、危害及影响，在大数据时代和深度学习快速发展的背景下，明确了本文对建立城市雾霾预测研究的意义，分析了城市雾霾预测的研究现状与深度学习在相关领域的预测应用优势。1.1 背景与意义本课题来源于吉林省科技发展计划项目重点科技攻关项目“城市雾霾网络化连续监测与大数据分析关键技术研究”（项目编号：20150204005GX）；长春市重大科技攻关计划项目“基于物联网的城市环境质量连续监测与大数据分析关键技术研究”（项目编号：14KG082）。随着全球社会经济的爆发式增长，城市化和工业化水平的不断提高，出现了一系列的环境恶化等问题[1]。而雾霾作为环境恶化的罪魁祸首之一，高频次的出现在全球各地，影响了人们的正常生活与身心健康，危害了人们赖以生存的自然生态环境，同时阻碍了社会的可持续发展。如图 1.1 所示，具体的如下：

污染分布,世界,情况

转的伤害[3]。并且会给人们带来压抑、暴躁等负面情绪，影响人们的身心健康；（3）雾霾破坏了人们赖以生存的自然生态环境。雾霾的范围和程度在过去的几年里不断加剧，使得森林、草地、湖泊等生态环境出现了严重的受损和退化现象，给地表自然系统造成了极大危害，敲响了必须治理城市雾霾的警钟[4]；（4）雾霾阻碍了社会的可持续发展和生态文明建设。2013 年以来，我国部分地区频繁出现严重的雾霾污染事件，影响了人们的正常生活与工作，生存与居住环境受到了严峻挑战，成为了阻碍社会进步的重要问题[5]。如图 1.2 所示，NASA 发布的 PM2.5在世界各地区长期分布情况。从图中可以直观看出，受到雾霾严重侵害的地区主要在亚洲、欧洲和中非等地，其中我国的华北华东地区尤甚。2012 年，我国将 PM2.5检测指标列入《环境空气质量标准》中，正式向雾霾污染宣战。2013 年 9 月 10 日，国务院正式发布《大气污染防治行动计划》，提出“经过五年努力，使全国空气质量总体改善”的奋斗目标，这为空气质量管理带来新的机遇，同时对城市空气质量的监测水平提出了更高的要求[6]。因此，针对城市雾霾的相关研究极具重要的现实意义。

【相似文献】