基于LSTM的大氣顆粒物濃度預測模型優(yōu)化

能源工業(yè)和交通運輸業(yè)作為中國經(jīng)濟發(fā)展的支柱產(chǎn)業(yè)，在生產(chǎn)作業(yè)過程中會產(chǎn)生大量污染物。這些污染物對于環(huán)境的危害尤為突出，其中首要污染物為顆粒物（ PM_2.5 和 PM₁₀ ）。因此，對大氣中的顆粒物濃度進行監(jiān)測是很有必要的。國內(nèi)外現(xiàn)有空氣污染統(tǒng)計模型有三類：基于傳統(tǒng)統(tǒng)計方法的統(tǒng)計模型[1-2]學習數(shù)據(jù)模式的機器學習模型[3-4]以及利用多層神經(jīng)網(wǎng)絡(luò)學習復雜特征的深度學習模型[5-6]。針對這一問題，現(xiàn)有的深度學習模型在預測顆粒物濃度時，具有穩(wěn)定性差、準確性低的情況[7]，基于本文提出的CNN-BiLSTM-Attention模型，綜合考慮空間、時間和氣象因素的影響，為我國揭示空氣污染物濃度變化規(guī)律，提前預測診斷污染狀況，為我國環(huán)保部門應對大氣污染提供量化參考。

1 研究方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

假設(shè)預測模型輸入為 ，其包括過去的氣象數(shù)據(jù)、大氣污染物濃度，計算公式：

1.2 BiLSTM模型

考慮到預測受到前后時刻輸人的綜合影響，采用了雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）[8]，門控定義的數(shù)學表達式可以用如下公式表示：

g（x）=σ（W_x+b）

式中， X 為輸入矩陣， Y 為輸出的特征矩陣， c 是卷積核數(shù)量， W 表示卷積核的權(quán)重矩陣， b₁ 表示偏置 ，f 代表激活函數(shù)的作用。

1.3 CNN-BiLSTM-Attention模型

本研究考慮了遼寧省各市監(jiān)測站站點的空氣質(zhì)量和氣象時序數(shù)據(jù)中的信息記憶、存儲與傳遞，以及氣象因素與 PM_2.5 和 PM₁₀ 濃度的相關(guān)性，設(shè)計了CNN-BiLSTM-Attention模型。利用了CNN優(yōu)秀的空間特征提取能力，之后引入了BiLSTM，更好地分析過去不同時間點的特征狀態(tài)對顆粒物濃度的影響程度[8]。最后加入注意力機制，給定查詢向量Q ，鍵向量集合 ，值向量集合 ， ，鍵向量的維度 d_?K ，該部分計算過程可以用如下方式表示：

式中：Attention，表示注意力權(quán)重向量； T 表示輸入序列維度。

2 實驗結(jié)果與分析

2.1 相關(guān)性分析

為研究 PM_2.5 和 PM₁₀ 與氣象因子之間存在的相關(guān)性，考慮空氣溫度、露點溫度、氣壓、降水量、風速、風力等級等因素。總體而言，顆粒物與氣象因子之間的相關(guān)性較弱，相關(guān)系數(shù)通常低于0.5，見圖1。

2.2 模型評估

本文分析了LSTM模型，CNN模型與CNN-BiLSTM-Attention模型預測結(jié)果與真實值之間的差距，見圖2。

研究使用的評價指標為平均絕對百分比誤差（MAPE）均方根誤差（RMSE）和擬合優(yōu)度 （R²） 。CNN-BiLSTM-Attention模型在 PM_2.5 和 PM₁₀ 濃度預測中表現(xiàn)最好，且對直徑越小的顆粒物預測效果越好，詳見表1、表2。

3結(jié)論

基于LSTM模型進行優(yōu)化得到CNN-BiLSTM-Attention模型對遼寧省大氣顆粒物濃度進行了預測，得出以下結(jié)論：

（1）CNN-BiLSTM-Attention模型提取了空間特征與雙向時序信息，與LSTM模型，CNN模型進行對比，該模型評估效果更好，預測精度更高。

（2）利用皮爾遜相關(guān)性分析法分析了顆粒物濃度與氣象因子之間的相關(guān)性，但由于部分氣象相關(guān)數(shù)據(jù)過于不完整、不均衡等，這將對模型的預測帶來不確定性，因此尋找更好的數(shù)據(jù)處理方法，是以后預測研究的重點。

參考文獻：

［1］魏書禾.基于三次指數(shù)平滑法對太原市空氣質(zhì)量的預測[J].科教導刊（下旬），2019（27）：167-169.

[2］高曉輝.灰色指數(shù)平滑模型及其在空氣質(zhì)量預測中的應用[D].邯鄲：河北工程大學，2019

［3］任才溶，謝剛.基于隨機森林和氣象參數(shù)的 PM_2.5 濃度等級預測[J].計算機工程與應用，2019，55（2）：213-220.

［4］孔宇，王海起，張浩然，等.基于集成學習算法的 PM_2.5 濃度值預測[J].環(huán)境保護科學，2021，47（4）：17-23.

[5］趙文芳，林潤生，唐偉，等.基于深度學習的 PM_2，5 短期預測模型[J].南京師大學報（自然科學版），2019，42（3）：32-41.

[6］趙文怡，夏麗莎，高廣闊，等.基于加權(quán)KNN-BO神經(jīng)網(wǎng)絡(luò)的 PM_2，5 濃度預測模型研究［J].環(huán)境工程技術(shù)學報，2019，9（1）：14-18.

[7］劉杰，楊鵬，呂文生，等.基于氣象因素的 PM_2，5 質(zhì)量濃度預測模型[J].山東大學學報（工學版），2015，45（6）：76-83.

[8］于伸庭，劉萍.基于長短期記憶網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)（LSTM-CNN）的北京市 PM_2.5 濃度預測[J].環(huán)境工程，2020，38（6） ：176-180.