论文部分内容阅读
空气质量问题对人的身心健康影响巨大,近年来随着城乡居民生活水平的日益提高,人们对生活的环境也有了更高的认识和要求,对空气质量也有了更多的关注。空气污染预测模型的建立可以及时发布预警信息,为环境质量稳步改善提供强有力技术支撑。提前发布重污染天气预警和空气质量异常情况预警信息,精准提出污染管控时段与区域,及时形成重污染过程分析报告;靶向整治、污染溯源,可以为治理提供方向。污染过程结束后对比模型预测值和实际监测结果,科学评估重污染过程管控成效,确保空气质量持续改善。具有一定的研究价值。本文以包头市PM2.5污染物浓度为预测对象,以大气环境污染作为研究背景,利用中国空气质量在线监测分析平台的历史监测数据,构建基于神经网络的包头市空气质量预测模型。本文结合自己在研究生阶段所学习到的知识,在前人经验的基础上来搭建预测模型。由于空气污染物的浓度与时间具有极强的关联性,利用LSTM（Long Short Term Memory）长短期记忆神经网络可以很好的处理这种与记忆相关的问题。实验中的数据选取2013年12月2日到2019年9月30号止的数据,总计2127条数据,分别从不同方面和多组对比实验,利用相关模型评价指标评价模型的优劣。实验结果表明在控制某些变量不变的同时,对预测模型设定不同种类参数的值对于最后的预测性能具有较为明显的影响。接下来我们又对神经网络中的优化方法进行了实验,实验结果表明越先进的优化方法可能并不适合本次实验,这可能与本次实验中数据规模和历史数据本身有关。将神经网络模型的参数和优化方法确定好以后,带入模型中进行最后的预测。通过对实验预测结果的分析,利用LSTM神经网络搭建的预测模型预测的准确率会随着预测时间步长的增加而下降,LSTM神经网络模型只适合于对短期内的污染物的浓度进行预测,而对长时间段内的预测效果却不是很好。最后我们也搭建了基于时间序列进行预测的ARIMA（Auto Regressive Integrated Moving Average Model）整合移动平均自回归模型,通过与利用LSTM神经网络搭建的模型进行比较,实验结果表明基于LSTM搭建的预测模型无论在预测的误差还是准确率方面都明显优于ARIMA预测模型。