[使用综合深度学习模型考虑特征气象因素对PM₁₀集中在干散货港口的预测]

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 工程 工程师 工程师 工程师

背景情况:

• 准确预测PM10度对于管理干散货港口的健康和经济风险至关重要.
• 由于港口活动和气象影响,PM10的非线性时间序列变化很难被捕获.

研究的目的:

• 开发和评估一种新的综合深度学习模型 (CLAF),用于预测干散货港口每小时的PM10度.
• 评估气象因素对PM10预测准确性的影响.

主要方法:

• 提出了一个级联深度学习模型 (CLAF),结合了卷积神经网络 (CNN),长期短期记忆 (LSTM) 和注意力机制 (AM).
• 随机森林被用来识别显著的气象因素,然后与PM10数据集成.
• CNN提取了高维特征,LSTM捕获了顺序依赖关系,AM提炼了重要的信息.

主要成果:

• 与基本和常用的预测模型相比,CLAF模型显示出更高的性能.
• 纳入气象因素显著提高了PM10预测准确性和装配性能.
• 通过CLAF模型,实现了平均绝对误差 (13.92%-56.9%) 和平均平方误差 (45.99%-81.02%) 的降低,并改善了适合性 (3.2%-15.5%).

结论:

• 通过整合气象数据,CLAF模型有效地预测干散货港口的PM10度.
• 该研究强调了考虑气象因素对于工业环境中准确的PM10预测的重要性.
• 拟议的CLAF模型为港口的实时环境监测和风险管理提供了可靠的解决方案.