【技术领域】
本发明涉及一种基于深度双向长短期记忆网络的空气质量预测方法,属于空气污染预测领域。
背景技术:
空气污染物浓度的预测拥有很强的学科交叉性,一直是环境、气象、数学、地理及计算机科学领域研究的热点。由于污染成分的多样性和复杂性,污染指标直接往往存在高度的非线性关系,传统数学模型方法很难建立精准的预测模型,并且需要大量的数据采集及运动机理的分析,加上气象条件实时变化的干扰,更增大了空气污染物预测的困难程度。
常见的方法主要分为理论的方法和基于统计的方法。基于统计学的预测方法越来越受到人们的重视,因为这些方法本身不需要过多的先验知识,并且可以高效准确地得到输入和输出之间的映射关系,例如人工神经网络、聚类、回归等方法。目前,长短期记忆网络已经被用于空气污染物预测,并取得了良好的效果。由于可以充分利用前向和后向的信息,双向lstm准确率通常比单向lstm要高,稳定性要好。因此,双向长短期记忆网络作为一种优秀的深度学习时间序列预测方法,可以有效地挖掘和利用正序和逆序时间序列的隐藏信息用于空气污染物预测。近年来,深度学习在回归任务中体现出了极大的优势,受此启发,本申请人提出了一种基于深度双向长短期记忆网络的空气质量预测方法来解决上述问题,以提高污染物的预测精度。
技术实现要素:
本发明专利针对上述现有技术存在的缺陷,设计了一种基于深度双向长短期记忆网络的空气质量预测方法