文献类型：期刊文章

作　　者：杨张婧[1] 阎威武[1] 王国良[2] 车继勇[3]

YANG Zhang-jing;YAN Wei-wu;WANG Guo-liang;CHE Ji-yong(School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China;School of Electronic and Electrical Engineering,Shanghai University of Engineering Science,Shanghai 201620,China;Shanghai Lanbin Petrochemical Equipment Co.,Ltd,Shanghai,201518,China)

机构地区：[1]上海交通大学电子信息与电气工程学院,上海200240 [2]上海工程技术大学电子电气工程学院,上海201620 [3]上海蓝滨石化设备有限责任公司,上海201518

出　　处：《控制工程》

基　　金：国家自然科学基金项目(60974119)。

年　　份：2020

卷　　号：27

期　　号：11

起止页码：1859-1866

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、JST、ZGKJHX、核心刊

摘　　要：针对常用的基于数据驱动的空气质量预测方法只考虑当地站点时序特性的缺陷问题,提出一种时空特性的空气质量预测算法,通过长短期记忆网络(Long Short-term Memory,LSTM)构成SequencetoSequence范式处理时间序列的变长输入与输出,获取本地PM2.5时间序列规律;通过卷积神经网络(CNN)获取站点间的空间相关性及特征的进一步抽象,结合两类网络产生从结构上反映时间与空间相关性的预测结果。对比实验的结果表明,LSTM-CNN混合模型在公开数据集上,与神经网络、回归树以及简单的LSTM系列模型相比,取得了更好的预测效果,证实所提算法的优越性能。

关 键 词：空气质量预测 LSTM  CNN 混合模型

分 类 号：TP183]