基于一种样本卷积和交互网络模型的空气质量预测

TP183%X831; 空气质量预测是治理和减轻空气污染的有效手段.为了提高预测精度,构建了一个新的空气质量预测模型,即样本卷积和交互网络(sample convolutional and interaction network,SCINet)模型.该模型由多个SCI-Block按照完全二叉树结构排列而成,通过翻转奇偶分裂重新排列生成一个新的序列,该结构能够更好地捕捉多变量大气污染物彼此间复杂的依赖关系和局部趋势.因为大气污染物监测数据具有季节性和随机性,所以使用两个SCINet进行叠加,既能扩大卷积运算的接受域,又能实现多分辨率分析.此外,通过模型深度及超参数调优,使其更加拟合空气质量时序数...

Full description

Saved in:
Bibliographic Details
Published in智能科学与技术学报 Vol. 6; no. 3; pp. 356 - 366
Main Authors 覃业梅, 胡博飓, 冯懿归, 周帆, 赵慎
Format Journal Article
LanguageChinese
Published 湘江实验室,湖南 长沙 410205%湖南工商大学智能工程与智能制造学院,湖南 长沙 410205%湖南工商大学智能工程与智能制造学院,湖南 长沙 410205 01.09.2024
湖南工商大学智能工程与智能制造学院,湖南 长沙 410205
国防科技大学计算机学院,湖南 长沙 410073
Subjects
SCINet
时间序列
CNN
卷积神经网络
air quality forecasting
空气质量预测
time series
Online AccessGet full text
ISSN2096-6652
DOI10.11959/j.issn.2096-6652.202428

Cover

More Information
Summary:TP183%X831; 空气质量预测是治理和减轻空气污染的有效手段.为了提高预测精度,构建了一个新的空气质量预测模型,即样本卷积和交互网络(sample convolutional and interaction network,SCINet)模型.该模型由多个SCI-Block按照完全二叉树结构排列而成,通过翻转奇偶分裂重新排列生成一个新的序列,该结构能够更好地捕捉多变量大气污染物彼此间复杂的依赖关系和局部趋势.因为大气污染物监测数据具有季节性和随机性,所以使用两个SCINet进行叠加,既能扩大卷积运算的接受域,又能实现多分辨率分析.此外,通过模型深度及超参数调优,使其更加拟合空气质量时序数据特征,能够有助于提取目标变量的时间关系特征.最后,通过北京PM2.5数据集和北京多站点空气质量数据集进行实证研究,结果表明,SCINet模型具有更高的预测精度,在短期预测中其均方根误差比对比模型中表现最佳的DAQFF模型减少了31.59%,在长期预测中减少了24.36%.
ISSN:2096-6652
DOI:10.11959/j.issn.2096-6652.202428