基于时空优化长短期记忆网络与烟花算法的AQI预测

发布时间：2025-01-14 01:33

　　 针对传统深度学习模型在预测空气质量指数(air quality index,AQI)时,难以从时间角度建模、网络超参数选取困难等问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络和烟花算法(fireworks algorithm,FWA)的AQI预测模型LSTM-FWA。首先,以武汉市历史空气质量和气象监测数据为研究对象,利用LSTM网络中隐含层节点之间相互连接的结构特点,对空气质量的时间变化特征进行建模;接下来,考虑到种群多样性和并发性,将烟花算法应用到超参数组合优化问题中;最后,对模型输入分别进行时间、空间、时空角度的优化,实验结果表明基于时空优化的LSTM-FWA模型预测性能提升最为明显。将LSTM-FWA与其他预测模型进行比较,并全面分析不同模型在各种优化策略下的性能。实验结果显示,本文提出的时空优化LSTM-FWA模型对于AQI预测具有最优的性能。

【文章页数】：13 页

【部分图文】：

图1LSTM模块内部结构示意图Fig.1TheinnerstructureofLSTMunit

好的烟花，坏的烟花表示该组超参数的预测性能较差，所以附近存在较优超参数组合的可能性较少，因此爆炸产生的超参数组火花数较少，且距离该组超参数的中心较远，位置也比较分散，可在解空间其他位置搜寻潜在的爆炸效果好的超参数组合，从而提高全局搜索能力。被选中的超参数组火花进入下一轮迭代后，会....

图2不同爆炸效果的烟花爆炸半径和产生火花数Fig.2Theexplodedfireradiusandgeneratedfireworksfromdifferentexplosioneffects

图3基于烟花算法的超参数寻优流程图Fig.3Flowchartofsuper-parametersoptimizationwithfireworksalgorithm

-FWA，对空气质量进行预测。该模型输入数据为目标城市在预测日前一天的空气质量数据、气象数据以及第二天的气象预报数据，输出数据为预测出的第二天的AQI值。以下表为例，武汉市在预测日前一天的空气质量数据（共8项）如表1所示；气象数据（共18项）如表2所示。因此模型输入维度为44，即....

图4LSTM-FWA预测模型流程Fig.4FlowchartofLSTM-FWApredictionmodel

能见度/km平均能见度/km最小能见度/km最大风速/m·s-1最小风速/m·s-1降水量/mm值103710341031181461160表1武汉市在预测日前一天的空气质量数据Table1AirqualitydataofWuhanonthedaybeforeprediction....

本文编号：4026205