深度学习框架下时空关联的PM2.5浓度多步预测方法研究.pdfVIP

摘要

近年来中国的空气污染问题频出，雾霾侵袭严重影响了人们的生产生活和身

体健康。PM2.5是构成霾的主要成分，是衡量大气环境质量的重要指标，利用历

史数据高效准确地预测未来较长一段时间的PM2.5浓度对经济政策制定、完善污

染天气应对技术体系等工作具有重大的指导意义。

针对当前考虑时空相关性的PM2.5浓度预测研究大都局限于PM2.5浓度的单

步预测，且其中涉及的空间特征提取方法人工介入较多的现状，本文提出了深度

学习框架下时空关联的PM2.5小时浓度多步预测模型。首先，在时间维度上，本

文借鉴自然语言处理领域中的序列生成方法，以编码器-解码器模型为基础，融

合注意力机制和正则训练策略，提出了一套面向预测精度保持的时间序列多步预

测方法；然后，综合考虑时间和空间维度，本文结合图卷积神经网络和时间序列

多步预测方法对时空依赖的建模能力，提出了时空关联的PM2.5小时浓度多步预

测模型，有效地提高了预测精度。本文的主要研究内容如下：

（1）提出一套面向预测精度保持的时间序列多步预测方法。针对连续型时

间序列多步预测问题，本文以自然语言处理领域的编码器-解码器模型为基础，

融合注意力机制和正则训练策略，实现时间序列多步预测的“端到端”和“一步

式”，提高序列预测精度的同时最大限度减少每个时间步预测精度的衰减。针对

PM2.5浓度时间序列数据的实验结果表明：注意力机制对减缓预测精度衰减率的

效果比正则训练策略更好，两者在提升序列预测精度方面的效果相近，而两者联

合作用于编码器-解码器模型可以获得序列预测的最佳效果。

（2）提出时空关联的PM2.5浓度多步预测模型。考虑到PM2.5浓度的时空依

赖性，本文在面向预测精度保持的时间序列多步预测模型中融合了图卷积神经网

络提取的空间分布特征，提出了时空关联的PM2.5小时浓度多步预测模型。实验

结果表明时空特征的联合可以更进一步提升PM2.5浓度序列预测的精度。

本文从时空关联的角度将图卷积神经网络与面向预测精度保持的时间序列

多步预测方法有机融合，构建了深度学习框架下时空关联的PM2.5小时浓度多步

预测模型，该模型可以实现未来数十个小时内PM2.5浓度的高效准确预测。本文

研究成果可为城市空气质量预测工作提供方法支持。

关键词：时间序列；PM2.5小时浓度多步预测；时空关联；深度学习；图卷

积神经网络

Abstract

Inrecentyears,Chinasairpollutionproblemsarefrequent,andthehazehas

seriouslyaffectedpeopleslifeandhealth.PM2.5isthemaincomponentofhazeandan

importantindicatortomeasurethequalityofatmosphericenvironment.Usinghistorical

datatoeffectivelyandaccuratelypredictthePM2.5concentrationoveralongperiodof

timeinthefutureisofgreatguidingsignificancetoformulateeconomicpoliciesand

controlairpollution,etc.

InviewofthefactthatmostcurrentstudiesonPM2.5concentrationprediction

consideringspatio-temporalcorrelationarelimitedtosingle-steppredictionofPM2.5

concentration,andthespatialfeatureextractionmethodinvolvedintheprediction

involvesmuchmanualintervention,thispaperpro