读论文《基于反卷积和LSTM的空间相关性的城市PM2.5浓度预测模型》

原标题《A spatial correlation prediction model of urban PM2:5 concentration based on deconvolution and LSTM》

动机

大气污染物浓度在时间和空间上是变化的。在维度方面，它们都具有依赖性。此外，空气污染是一个区域扩散问题，需要考虑空间维度。目标城市附近的空气污染浓度也会影响目标城市的空气污染物浓度。这意味着周边城市的空气污染效应存在空间相关性。
卷积神经网络(CNN)在空间数据处理方面具有强大的能力。然而，卷积操作后数据维度被压缩，会丢失一些有用的信息，影响准确率。

贡献

1.使用反卷积神经网络保留了CNN从空间维度提取特征之间相关性的优势。更重要的是，它解决了传统CNN过度压缩数据维度导致信息过度丢失的问题。
2.模型的输入数据集包括空气污染和气象数据，同时也考虑了空气污染物和气象因素对未来PM2.5浓度的影响。考虑到目标城市的空气污染物会受到周边地区的影响，因此也利用了周边城市的数据。
3.实验表明，与传统模型相比，Dev - LSTM在挖掘污染物的时空相关性和实现准确预测方面，在多维指标上表现更好。

模型

整体结构如下：

Deconvolutional Neural Network

所作的操作如下

图中的MP矩阵代表的是多个站点的天气和气象特征矩阵。这一层的操作先将原矩阵通过填充升高维度，然后在进行卷积把矩阵降回原本的维度大小。通过这种操作，反卷积网络对同一区域进行多次卷积操作，从而实现空间维度特征的充分提取。 如下：

不过这也只是对同一城市内的多个站点提取信息。而且能考虑的空间关系的范围感觉上与卷积核有关，感觉比较违和。

Dev-LSTM Model Training

经典LSTM：

Spatial correlation between cities

在本文开展的实验中，由于污染物浓度受空间关系的影响，作者选择了距离目标城市较近的邻近城市。e1、e2为周边城市对目标城市的空间影响图。将周边城市多个站点的张量以时间序列的形式输入到模型中。

实验

数据来自：中国国家环境监测总站的http:// www.cnemc.cn/sssj/national实时发布平台
气象数据来源于国家气候数据中心 (https://www.ncdc.noaa.gov/NCDC).
主要成果如下：