文献类型：期刊文章

作　　者：赵彦明[1]

Zhao Yanming(School of Mathematics and Computer Science,Hebei Normal University for Nationalities,Chengde 067000,Hebei,China)

机构地区：[1]河北民族师范学院数学与计算机科学学院,河北承德067000

出　　处：《计算机应用与软件》

基　　金：河北省社科基金项目(HB18TJ004)。

年　　份：2021

卷　　号：38

期　　号：6

起止页码：249-255

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、ZGKJHX、核心刊

摘　　要：现阶段空气污染物粒子浓度演进过程模拟与预测算法忽视了粒子浓度的空间相关性,且没有实现粒子浓度的时间依赖性与空间相关性融合。对此,提出基于时空相关性的LSTM算法(TS_LSTM)并应用于PM_(2.5)浓度预测。该算法提出空间相关性及其相关因子计算方法;将局部区域相关性因子与LSTM算法的遗忘门和记忆门融合,建立基于局部地理信息的LSTM算法(LTS_LSTM);融合LTS_LSTM算法学习结果与全局空间相关性因子,构造基于全局地理信息时空相关的LSTM算法(GTS_LSTM)。模拟全局与局部的空气污染物粒子浓度演进过程,并实现离子浓度预测。在全局与局部数据集上,将该算法与回归算法、支持向量机、模糊神经网络、LSTM神经网络、GC-LSTM神经网络、DL-LSTM神经网络比较研究,结果表明:在空气粒子浓度预测上,该算法的预测性能优于各种传统预测算法,接近深度LSTM算法。

关 键 词：长短时记忆网络  空气污染物浓度预测  循环神经网络 时空相关性  PM_(2.5)  

分 类 号：TP3[计算机类]