融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

傅颖颖 ，张丰 *，杜震洪 ，刘仁义

（1.浙江大学浙江省资源与环境信息系统重点实验室，浙江杭州310028；2.浙江大学地理信息科学研究所，浙江 杭州 310027）

2013年，我国遭遇有观测记录以来最严重的雾霾天气［1］，污染最严重的京津冀地区日均PM2.5浓度高达500 μg·m-3，严重影响了人们的生产生活和身体健康。研究表明，当 PM2.5浓度超过 115 μg·m-3时，身体将感到严重不适［2］。因此，利用历史数据高效准确地预测未来的PM2.5浓度，具有重大的现实意义。

目前，根据PM2.5浓度预测模型类别可将其分为化学机理模型、时空分析模型和深度学习神经网络模型3种。ZHANG等［3］采取“气象化学+传输机制”组合对PM2.5浓度进行在线实时预测；徐文等［4］运用时空自回归移动平均模型预测我国华北地区的日均PM2.5浓度；范竣翔等［5］使用循环神经网络模型，基于过去48 h的空气质量和气象数据预测未来1 h的 PM2.5浓度；黄婕等［6］将我国大陆地区的空气质量监测站点数据处理成时序数据，将Stacking集成策略与卷积神经网络和循环神经网络相融合，预测未来1 h的PM2.5浓度。

然而，上述研究都局限于PM2.5浓度的单步预测，即利用历史PM2.5浓度序列预测未来某时段的PM2.5浓度，尚未有研究开展对PM2.5浓度的多步预测。目前对多步预测的研究主要集中在自然语言处理领域和工业领域，例如，在自然语言处理领域，“编码器-解码器”的序列-序列（Seq2Seq）预测模型已广泛应用于机器翻译，为提高机器翻译的精度，文献［7］提出了注意力机制模型；在工业领域，CHEN等［8］考虑规则风电网中风速的时空相关性，结合卷积神经网络和双向门控循环单元，实现了风速的多步预测；……