基于时空优化神经网络的空气质量预测研究.pdfVIP

摘要

针对日益严重的大气污染问题，缓解空气污染对人体及社会造成的有害影响，

本文对空气质量预测进行研究。由于污染物数据具有非线性、区域性及弥散性等特

点，导致数据有效利用率低且预测过程极为复杂，如何有效构建预测模型，提高空

气质量预测精度是当前研究的热点问题。因此，本文提出一种基于时空优化神经网

络的空气质量预测模型。取得的主要研究成果总结如下：

（1）提出一种基于动态分析站点相关性的图卷积神经网络(GraphConvolution-

alNetwork,GCN)与长短期神经网络(LongShort-TermMemory,LSTM)相结合的空

气质量预测模型(DGCN-LSTM)，其包括相关性分析模块和时空特征提取模块。前

者使用基于皮尔逊相关系数(PearsonCorrelationCoefficient)和序列数据变化趋势

(ChangingTrendofSequencedata,CTS)的方法(Pearson-CTS)动态分析站点间的相关

性，后者根据空气质量数据集及动态的站点相关关系矩阵对GCN-LSTM网络模型

进行训练，以提取空间特征及时间长期依赖性。本文以北京市35个监测站点为例

进行实验，结果表明DGCN-LSTM预测模型相较于LSTM、CNN-LSTM、GCN-

LSTM模型在RMSE、MAE和2上均有一定的提升。

（2）从智能优化算法对模型参数寻优的角度出发，提出一种人工鱼群算法

(ArtificialFishSchool,AFS)和基于天牛变异策略和多步检测策略的天牛须搜索算

法(BeetleAntennaeSearchAlgorithm,BAS)相结合的混合算法(AFS-MMSBAS)，其

中BAS算法进行改进。为了验证所提出混合算法的性能，分别选择基础的单峰函

数、多峰函数以及特殊的非分割函数、噪声函数和跃阶函数进行实验，结果表明该

混合算法具有收敛速度快，收敛精度高且寻优结果更稳定性的优点。

（3）在DGCN-LSTM空气质量预测模型的基础上，采用AFS-MMSBAS算法

对预测模型的超参数寻优，以解决模型中参数不易确定选择的问题。实验结果表明，

本文所提出的预测模型在使用改进的优化算法对模型参数寻优后，预测精度有了

一定的提升。

关键词：空气质量预测；相关性分析；时空特征提取；参数寻优；图卷积神经网络；

智能优化算法

Abstract

Toaddresstheincreasinglyseriousairpollutionproblemandalleviatetheharmful

effectsofairpollutiononhumanbodyandsociety,thisthesisinvestigatesairquality

prediction.Duetothenon-linear,regionalanddiffusecharacteristicsofpollutantdata,

theeffectiveutilizationrateofdataislowandthepredictionprocessisextremely

complicated,sohowtoeffectivelybuildapredictionmodelandimprovetheaccuracyof

airqualitypredictionisahotissueofcurrentresearch.Therefore,thisthesisproposesan

airqualitypredictionmodelbasedonspatiotemporaloptimizationneuralnetwork.The

mainresearchresultsobtainedaresummarizedasfollows:

(1)Anairqualitypredictionmodel(DGCN-LSTM)basedonthecombinationof

GraphConvolutionalNetw