文献类型：期刊文章

作　　者：黄婕[1,2] 张丰[1,2] 杜震洪[1,2] 刘仁义[1,2] 曹晓裴[1,2]

HUANG Jie;ZHANG Feng;DU Zhenhong;LIU Renyi;CAO Xiaopei(Zhejiang Provincial Key Lab ofGIS,Zhejiang University,Hangzhou 310028,China;Department of Geographic Information Science,Zhejiang University,Hangzhou 310027,China)

机构地区：[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

出　　处：《浙江大学学报（理学版）》

基　　金：国家自然科学基金资助项目(41671391;41471313);国家海洋公益性行业科研专项经费资助项目(201505003)

年　　份：2019

卷　　号：46

期　　号：3

起止页码：370-379

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：针对目前大部分PM_(2.5)预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_(2.5)时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_(2.5)小时浓度预测。

关 键 词：PM2.5小时浓度预测  RNN CNN 深度学习  集成学习  

分 类 号：TP391]