基于时空相关性的LSTM算法及PM2.5浓度预测应用

赵 彦 明

(河北民族师范学院数学与计算机科学学院 河北 承德 067000)

0 引 言

空气污染物对人类健康的威胁与日俱增。2013年，Zheng等[1]指出实时预测空气污染物浓度信息对于控制空气污染和防止空气污染引起的健康问题具有重要意义。文献[2-3]的研究工作表明，一般来说，颗粒物体积越小，水溶性越强，在呼吸系统的穿透力与吸附率越高，对人体的健康影响越大。因此，对PM2.5粒子浓度演进过程与预测算法的研究已成为当前热点。

现阶段，空气污染物粒子浓度演进与预测算法主要包括确定算法与统计算法。其中确定算法主要依据气象学相关理论和大气物化反应过程等先验知识，应用多元统计学理论，实现大气污染物粒子浓度演进过程模拟与浓度预测，并取得较好的研究与应用效果。主要研究成果包括：基于特定性空气质量预测算法[4]、WRFChem算法[5]、在不同尺度和方向上模拟空气污染物的时空分布特征算法[6]、区域多尺度空气质量(CMAQ)算法[7]。但是，该类算法是建立在一定的先验知识基础上的，并受到多维条件约束，算法不具备普适性。

为改进确定算法缺欠，仅依据多元统计理论的统计算法被提出。该类算法主要包括非神经网络算法和神经网络算法。其中绝大部分非神经网络算法以回归方式解决确定性算法的缺欠，在研究与应用领域取得较好的模拟与预测效果。代表性算法包括多元线性回归(MLR)方法[8]、支持向量回归(SVR)方法[9]、wavelet-ARMA/ARIMA算法[10]等。

2011年Yoon等[11]的实验表明人工神经网络(ANN)具有非线性映射、自适应和鲁棒性较好的特征，因此在大气污染物粒子浓度演进过程模拟与浓度预测中具有较好应用价值。……