基于CNNs-GRU深度学习的PM2.5预测研究与实现

发布时间：2020-07-28 17:42

【摘要】：长期以来,世界各地受空气质量问题困扰,尤其是PM2.5污染。而传统的统计模型预测PM2.5存在准确率低、预测时间步少等问题。针对以上问题,本文提出了一种基于数据驱动的深度学习模型CNNs-GRU。同时,设计了无锡市PM2.5预测软件,能精细化预测未来6小时的PM2.5浓度。论文的主要工作如下:1.分析现有统计模型预测PM2.5的国内外研究现状,归纳其存在的问题,并提出了一种基于数据驱动的PM2.5预测模型CNNs-GRU。该模型由CNNs结构、GRU网络和全连接网络三部分组成。其中,CNNs结构可以自动提取、融合多站点多模态空气质量数据的局部变化趋势和空间关联特征;GRU网络能捕获时间序列的长期依赖特征。前两部分结合,能自动提取空气质量数据的时空特征,提高PM2.5预测准确率。最后,全连接网络输出PM2.5的最终预测结果。2.设计了基于CNNs-GRU模型的无锡市PM2.5预测软件,其功能模块包括数据库设计、空气质量数据获取、数据预处理、预测模型实现和可视化界面设计。数据库设计需要根据软件的实际需求设计表结构,用于存储原始空气质量数据、预处理结果、预测结果等过程数据,是整个预测软件的数据交互中心。数据预处理功能主要对原始空气质量数据进行数值化编码、缺失值填充等操作,获得预测模型能直接使用的数据形式。CNNs-GRU模型实现是整个预测软件的核心,本文采用深度学习框架Keras建模,并使用BatchNormalization、Earlystop等方法对预测模型进行优化。最后,使用可视化图库Echarts和百度地图API设计Web界面,实时展示PM2.5预测结果。3.构建了测试环境,对无锡市PM2.5预测软件的空气质量数据获取、数据预处理、预测模型实现和可视化界面设计四大功能模块进行功能测试;分析了CNNsGRU模型和ARIMA、ANN、LSTM、APNet(LSTM/GRU)、RNN-CNN六种模型的预测性能。在无锡市2017年1月份、6月份两组测试集上,CNNs-GRU模型的预测准确率(100-MAPE)分别高达76.902%、70.053%,较其它预测模型至少提高6.6%、5.1%;同时,该模型的RMSE指标为15.570、9.577,MAE指标为10.720、7.068,均明显优于其它六种预测模型。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X513;TP18
【图文】：

变化曲线,无锡市,时间序列,变化曲线

重庆邮电大学硕士学位论文第 3 章无锡市 PM2.5 预测软件设计了突变，其特点是该时刻的数值明显高于前后一个小时的正常数值。而且，对异常偏高的数据点进行数值分析发现，大部分异常数值比较统一，分别是0.985和0.715，其它少部分异常值均分布在 0.35 以上。在图 3.11 左下角的椭圆区域，部分站点的PM2.5 数据出现了负值，明显与实际情况不符。除此之外，使用 SQL 统计分析PM2.5、PM10、气压、相对湿度等模态数据时，均发现了类似的较为统一的异常值（或异常边界值），通过这些异常值定位超限数据点，可以修复绝大多数异常情况，极大程度改善数据质量。

无锡市,周期特性

重庆邮电大学硕士学位论文第 3 章无锡市 PM2.5 预测软件设计3.4.4 构造周期性特征构造周期性特征的功能是通过软件设计，根据无锡市多站点多模态空气质量数据中存在的周期性变化特点，扩展一维周期特征，输入 PM2.5 预测模型以提高预测准确率。空气质量变化受周期性社会活动和季节性因素的影响，经常表现出周期变化的特点。例如，每到的冬季供暖期，北方城市空气质量都有明显的下降，中国华北、西北地区的城市，在春季受沙层暴天气的影响，经常性出现高污染指数的天气。图 3.13 是以无锡市旺庄站为例，基于 13 个月的历史数据，展示了气态污染因子 PM2.5 浓度随时间的变化规律。其中，由于无锡市环保局提供的数据集缺少4 月份，下图中 4 月份的统计值使用了插值法进行数值补充。

标准化处理

以消除量纲的影响。如图3.15 所示，是经过前面几个软件流程处理获得的数据统计结果，可以发现不同模态数据之间存在较大的数量级差距，这不利于模型的训练和快速收敛。因此，本文进行了数据标准化处理软件设计，将经过标准化处理的都站点多模态空气质量数据输入模型，以消除数据的数量级差距、加快模型的收敛速度。图 3.15 标准化处理前数据集结果目前，常用的数据标准化处理算法主要有两类：Max-Min 标准化、Z-Score 标准化。Max-Min 标准化方法使得数据处理后的结果落在区间内，其计算公式如（3.2）所示。该方法适用于最小值和最大值不发生明显变化的序列数据。如果新采集单模态空气质量数据是新的极值，就需要对数据序列的整体重新进行标准化处理，使得新加入的数据容易对标准化结果产生影响。第二种就是 Z-Score 标准化，该方法使得数据处理后的结果符合均值为 0、标准差为 1 的标准正态分布，其计算公式如（3.3）所示。该方法适用于数据分布未知的场景

【相似文献】