如需要完整文档点击下方 "点击下载文档" 按钮
目前,雾霾污染问题是关乎国计民生的重大问题,它已经对人们的生产、生活、身体健康,以及生态环境和气候变化都产生了很大的影响。 这样,如何通过监测雾霾变化获取的雾霾相关信息去准确预测雾霾污染物的浓度,以防治和减轻雾霾造成的严重后果变得尤为重要。 因此,通过在简单有效的传统 ARIMAX 模型基础上融入深度神经网络语义特征,提出了一种新的雾霾 PM2. 5 浓度预测框架。 首先,把对雾霾预测有显著影响的气象因子温度、压力、相对湿度数据转换为图像数据; 然后, 运用 ResNet - 50 ( Residual Network - 50) 卷积神经网络模型提取深度语义特征, 进而运用主成分分析(Principal Component Analysis,PCA) 技术处理高维特征,得到最佳深度神经网络特征组合;最后,用 ARIMAX 技术建立雾霾PM2. 5 浓度预测模型。 在收集的山西省 2015 ~ 2019 年 PM2. 5 浓度和气象因子数据集上验证了该预测框架在皮尔逊相关系数(Pearson’s Correlation Coefficient,PCC) 、均方误差( Mean Square Error,MSE) 、均方根误差( Root Mean Squared Error,RMSE) 和平均绝对误差( Mean Absolute Error, MAE) 度量下,对于 1、3、5 和 7 天长短期预测,都始终优于传统的简单差分自回归滑动平均( Autoregressive Integrated Moving Average,ARIMA) 模型、三因素 ARIMAX 模型、多元回归模型、ResNet-多元回归模型、长短期记忆网络(Long and Short-Term Memory,LSTM) 模型和支持向量机(Support Vector Machine,SVM) 模型。