基于注意力机制的CNN-LSTM混合深度学习模型用于大气臭氧度预测
Jiang Yuan1,2, Hua Dengxin1, Wang Yufeng3
1Centre for Lidar Remote Sensing Research, Xi'an University of Technology, Xi'an, 710048, China.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种深度学习模型,用于预测大气臭氧度. 基于注意力的先进CNN-LSTM模型显著提高了空气质量和气候变化洞察力的预测准确性.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 臭氧对于了解空气质量和气候变化动态至关重要.
- 准确预测大气臭氧度对于环境监测和政策制定至关重要.
- 现有的方法与臭氧时间序列数据的非线性和多变量性质作斗争.
研究的目的:
- 开发和评估一种用于预测大气臭氧度的新型深度学习方法.
- 通过注意力机制提高短期臭氧预测的准确性.
- 为了解决大气科学中多变量时间序列数据的复杂性.
主要方法:
- 开发了一种混合深度学习模型,将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 与注意力机制相结合.
- 主要组件分析 (PCA) 用于从16806个记录 (2018-2019) 中选择8个关键的气象和环境参数.
- 该模型配置了特定的超参数,包括5个时间步骤,25个批量大小,15个LSTM单位,ReLU激活,25个时代,以及0.15的规范化失业率.
主要成果:
- 基于注意力的CNN-LSTM混合模型与单个模型和标准CNN-LSTM方法相比表现出更好的性能.
- 该模型实现了高的确定系数 (R2 = 0.971) 和低的根平均平方误差 (RMSE = 3.59) 对于1小时的时间滞后预测.
- 在前预测中观察到特殊的准确性,具有多小时的时间延迟和不同季节的一致性,表明稳健性.
结论:
- 提出的基于注意力的CNN-LSTM模型为预测大气臭氧度提供了强大而准确的解决方案.
- 这种深度学习方法有效地捕捉了多变量时间序列数据的非线性动态,优于传统方法.
- 该模型的功能对于改善空气质量预测和为气候变化研究做出贡献非常重要.
