基于深度学习的PM2.5短期预测模型
赵文芳1,2,林润生2,唐 伟3,周 勇3
【摘 要】[摘要] 为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型. 首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性. 其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征. 通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型. 最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比. 实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.
【期刊名称】《南京师大学报（自然科学版）》 【年(卷),期】2019(042)003 【总页数】10
【关键词】[关键词] PM2.5浓度预测,机器学习,长短时记忆,深度学习,卷积神经网络
基金项目:国家自然科学基金(41575156)、中国气象局软科学研究重点课题(2019ZDIANXM19).
PM2.5(fine particulate matter)是指一种悬浮于大气中的空气动力学直径小于等于2.5 μm的细颗粒物[1-3],其浓度的高低直接影响空气质量和气候环境,过高
浓度甚至危害人类健康. 近年来,由PM2.5引起的空气污染受到了各级政府、部门及社会各界的关注. 从2005至2014年,我国某些省的PM2.5排放量的增长率超过了200%[4];2015年我国城市区域的PM2.5浓度水平居全球前列[5];2015年12月的中国 74个城市空气条件月报指出,平均空气污染天数占全年44.4%,其中有39个城市受污染天数超过全年50%[6];还有一些研究表明,PM2.5与一些疾病的就诊率、住院率和死亡率存在显著的正相关关系[7]. 因此,PM2.5浓度的准确预测对加强大气污染防治、政府决策和保护人们日常健康都具有重要意义.
目前PM2.5的预报主要有数值模式法和统计学预报法. 数值模式预报法主要基于空气动力学理论和物理化学过程,使用数学方法建立大气污染浓度的稀释和扩散模型动态预测空气质量和主要污染物的浓度变化. 气象领域常用的数值模式包括美国环保局研发的通用多尺度空气质量模式(the community multi-scale air quality)[8-11],气象-化学在线完全耦合的区域空气质量模式WRF-Chem[12-13],中国气象局研发的雾霾数值预报模式[14],以及北京市气象局自主研发的区域环境气象数值预报模式(Beijing regional environmental meteorology pre-diction system,BREMPS)[15]. 总体上来说,这些模式较为全面地考虑了物理和化学过程,但由于模式中有关污染物排放、传输和沉降过程中参数存在较大不确定性,导致预报结果也存在不确定性[16]. 统计学预报法是利用统计数学方法开展天气预报. 常用的方法有多元线性回归、支持向量机、人工神经网络、遗传算法、小波分析等. 已有大量学者利用空气质量观测数据(例如PM2.5浓度、SO2浓度、CO浓度、PM10浓度、O3浓度等)、气象观测数据和数值模式预报数据,应用一种或多种统计学方法建立预测模型,对PM2.5浓度
和其他污染物浓度进行预报[17-24]. 然而,除了气象条件,污染物浓度还受排放量、交通条件、人口密度等因素的共同影响,使用单一统计方法很难建立准确度高的预报模型.
深度学习是人工智能领域中一种新颖的机器学习方法,可以对大量输入数据的特征表示进行有效学习,为气象时间序列的预测提供了新的研究思路和方法. 深度学习的主要神经网络模型主要有卷积神经网络(convolutional neural networks,CNN)、递归神经网络(recurrent neural network,RNN)、长短时记忆(long short term memory,LSTM)、对抗神经网络等,已有一些学者利用这些模型开展气象预测的研究. Zheng Y等[23]使用历史空气质量数据和气象数据提出了一个FC-LSTM预测模型来预测未来24 h PM2.5污染浓度;Vidushi C[25]等提出了一个多层的LSTM模型预测未来空气污染物的浓度;Weber S A等[26]构建了多层次LSTM和编码器-解码器(Encoder-Decoder)两个预测模型并进行比较,实验结果表明LSTM模型优于 Encoder-Decoder框架,该LSTM模型对南京PM2.5的预测结果与监测数据非常接近. Chiou J H等[27]开发一种深层神经网络模型,以历史小时降水、风速风向和PM2.5浓度数据作为输入,先进行多次一维卷积处理,再将结果输入LSTM来预测PM2.5浓度. 此外,还有一些学者将LSTM模型与特征空间相关性相结合应用于PM2.5浓度预报,如:Cong W等[28]提出了一种新的时空卷积长短期记忆神经网络,将当前站点和近邻站点PM2.5浓度数据经过一维卷积运算后输入到模型中;PING S W等[29]提出LSTM预测模型,使用当前站点和近邻站点的PM2.5浓度数据、气象数据和地形数据,其中地形数据用以提取地形对空气质量的影响. 然而,大城市的空气质量监测站点数量十分有限,而且分布可能不均匀,两个最近邻的站点可能分布在不同
基于深度学习的PM2.5短期预测模型
