在度预测中应用TCN-biGRU神经网络
Ting Shi1, Pengyu Li2, Wu Yang2
1Faculty of Information Technology, Beijing University of Technology, Nanmofang, 100124, Beijing, China. tingshi@bjut.edu.cn.
Environmental science and pollution research international
|November 6, 2023
概括
这项研究引入了一种新的TCN-biGRU模型,用于准确预测细颗粒物 (PM2.5) 度. 混合模型显著改善了传统的循环神经网络,减少了预测错误,以更好地控制空气质量.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 细颗粒物 (PM2.5) 对健康构成重大风险,需要准确预测空气污染度.
- 像LSTM和GRU这样的循环神经网络 (RNN) 用于时间序列预测,但在长期准确性方面存在困难.
- 降级到随机猜测限制了传统RNN在延长预测时间的有效性.
研究的目的:
- 开发一个先进的神经网络模型,以提高PM2.5度的预测.
- 解决现有的RNN模型在长时间序列中保持准确性的局限性.
- 引入混合TCN-biGRU模型,将时间卷积网络和双向门式循环单元的优势结合起来.
主要方法:
- 开发了一种混合TCN-biGRU神经网络模型,集成时间卷积网络 (TCN) 和双向门式循环单元 (bi-GRU).
- 使用TCN从扩展的PM2.5度时间序列数据中提取更高层次的特征.
- bi-GRU被用来捕捉过去和未来数据点的时间依赖性,以改善预测.
主要成果:
- 在使用北京2021年空气质量数据的案例研究中,TCN-biGRU模型表现出强大的预测性能.
- 平均绝对误差为4.20,根平均平方误差为7.71,R平方值为0.961.
- 单个LSTM,GRU和双GRU模型的表现优于单个LSTM,GRU和双GRU模型,预测误差明显较小.
结论:
- 与传统的RNN相比,TCN-biGRU模型在PM2.5度预测方面提供了更高的准确性和更少的错误.
- 这种混合方法有效地捕捉了空气污染数据中的复杂时间特征,提高了预测可靠性.
- 这些发现表明,TCN-biGRU是为更有效的空气污染控制战略提供有希望的工具.
