基于双向长短期记忆网络和注意力机制的空气质量预测研究.pdf

摘要

近年来，随着我国科技的发展，人们的生活质量得到显著提高。但是，伴随

着我国能源开采量和使用量的增大以及机动车辆的迅猛增加，空气污染问题愈发

严重，有些地区已经出现了光化学烟雾现象，全国形成了多个酸雨地区，多地出

现了雾霾天气、沙尘暴天气，已经严重威胁到我们的生存环境和生命健康。因此，

许多学者对空气质量预测方法展开研究，以期可以对个体居民出行进行辅助决策，

帮助政府环保部门在制定环保政策的时候提供理论支持。然而，现有的基于深度

学习方法的预测模型，在时序预测上存在数据非线性关系处理不佳和特征提取能

力有限等问题。为进一步提升模型的预测能力，本文展开以下研究工作：

1

（）本文搜集了北京市、天津市、太原市、南昌市、西安市和深圳市六个

城市2015年到2022年的空气质量数据集，对数据集进行数据预处理，通过相关

性分析得到的相关系数表和散点矩阵图可以看出，数据集中各个特征变量间存在

多重共线性关系。

（2）针对本文搜集的数据间存在多重共线性问题，现有时序预测模型存在

数据并行处理不佳、无法有效保存数据长期依赖关系、无关特征干扰、数据噪声

等问题，本文基于深度学习方法，结合多尺度卷积神经网络（Multiscale

ConvolutionNeuralNetwork，MConv）提取复杂多尺度时间特征信息的能力、双

向长短期记忆网络（BidirectionalLongShort-TermMemory，BiLSTM）更高的数

AttentionMechanismAM

据特征提取效率、注意力机制（，）对模型精度的提升

能力以及全连接层对数据非线性问题的处理能力，提出了基于

MConv-BiLSTM-AM的空气质量预测模型，在六个城市的数据集上，对比分析

ConvolutionNeuralNetworkCNNLong

卷积神经网络（，）、长短期记忆网络（

Short-TermMemory，LSTM）、BiLSTM、CNN-LSTM、CNN-BiLSTM、

CNN-LSTM-AM和CNN-BiLSTM-AM众多模型，证明该模型在数据特征的有效

提取方面具有较大优势。

3

（）为进一步降低训练计算量，避免在梯度下降优化算法中出现局部最小

情况，更好地捕捉数据间的长期依赖关系，引入多尺度回声状态网络(Multiscale

EchoStateNetworksMESN)MESN-BiLSTM-AM

，，提出基于的空气质量预测模

型，该模型通过将储备池来代替MConv的隐藏层，调节网络内部的权值来实现

短期记忆，保证网络权值达到全局最优，在六个城市的数据集上，对比分析包括

MConv-BiLSTM-AM在内的众多深度学习模型，证明了该模型的有效性。

关键词：空气污染；多尺度卷积神经网络；多尺度回声状态网络；空气质量预测

I

Abstract

Peoplesqualityoflifehasbeensignificantlyimprovedinrecentyearswiththe

developmentofscienceandtechnologyinourcountry.However,alongwiththe

increaseofenergyminingandusageandtherapidincreaseofmotorvehicles,theair

pollutionproblemisbecomingmoreandmoreserious.Someareashavealreadyseen

photochemicalsmogphenomenon,manyacid