基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM 2.5 浓度预测

准确预测PM2.5浓度可以有效避免重污染天气对人体带来的危害。现有方法往往重视本地历史信息对PM2.5浓度预测的影响,而忽略空间传输的作用。提出了一种长短期记忆网络和卷积神经网络(LSTM-CNN)相结合的方法,利用历史PM2.5浓度数据、历史气象数据和时间数据,对空气质量监测站未来6 h PM2.5浓度做出预测。该模型主要由2部分组成:1)基于长短期记忆网络的时序预测模型,模拟本地因素对PM2.5浓度预测的影响;2)基于一维卷积神经网络的特征提取模型,模拟周边地区污染物的传输与扩散对PM2.5浓度预测的影响。随机选取了北京市市区及郊区7个监测站在2014-05-01—2015-04-30期间的数据,用于研究和评估LSTM-CNN模型。结果表明:提出的LSTM-CNN模型相比于LSTM模型具有更好的预测效果,且对于郊区站点预测效果的改进略优于市区站点。