一个基于波纹的混合深度学习模型,用于准确预测广州市每日表面PM2.5度
Zhenfang He1,2, Qingchun Guo1,2,3, Zhaosheng Wang4
1School of Geography and Environment, Liaocheng University, Liaocheng 252000, China.
Toxics
|April 25, 2025
概括
一个新的混合模型结合波波,CNN,BiLSTM和BiGRU准确地预测了每日表面PM2.5度. 这一进步为空气污染控制和城市规划提供了更好的预测.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 表面空气污染,特别是PM2.5,对生态系统和人类健康构成重大风险.
- 传统的预测模型通常对每日PM2.5度的准确性有局限性.
研究的目的:
- 开发和评估一种新型混合模型,用于高精度的每日表面PM2.5度预测.
- 改进预测空气污染物水平的现有方法.
主要方法:
- 波形变换 (W) 与卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和双向门循环单元 (BiGRU) 的集成.
- 利用广州市 (2014-2020) 的气象和空气污染物数据作为模型输入.
主要成果:
- 混合模型W-CNN-BiGRU-BiLSTM实现了0.9952.2的高相关系数 (R).
- 该模型在低误差指标下表现出色:RMSE为1.4935 μg/m3,MAE为1.2091 μg/m3,MAPE为7.3782%.
结论:
- 拟议的混合模型显著提高了每日表面PM2.5度预测的准确性.
- 准确的PM2.5预测对于有效的空气污染管理和知情的城市规划至关重要.


