基于降噪自编码深度网络的空气质量管理预测模型

简介：
本研究提出了一种基于降噪自编码器的深度学习方法来构建空气质量预测模型，能够有效提升预测精度和鲁棒性。 为解决现有空气污染物预测模型精度低的问题，我们设计了一种基于长短期记忆（LSTM）网络的去噪自动编码器深度网络（DAEDN）模型。该模型构建了一个具有LSTM结构的降噪自动编码器，用于提取原始监测数据中的固有空气质量特征，并对这些数据进行降噪处理以提升预测准确性。在DAEDN中，我们将LSTM架构设计为双向LSTM（Bi-LSTM），以此来解决单向LSTM预测结果滞后的问题，进一步提高模型的预测精度。 我们利用了空气污染物的时间序列数据，在过去五年内通过北京每小时收集到的PM2.5浓度数据对DAEDN进行了训练。实验结果显示，经过训练后，该模型能够从嘈杂的数据中提取出更为稳定的特征表现。通过对RMSE和MAE指标评估发现，其数值分别为15.504和6.789；与单向LSTM相比，分别降低了7.33% 和 5.87%。 此外，在设计新的预测模型时，我们从本质上考虑了空间污染物浓度的预测需求以及包括空气质量监测、气象监测和预报在内的环境大数据的时间序列特性。