基于ODE的神经网络的方法用于PM2.5预测

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:

• 准确的PM2.5预测至关重要,但由于复杂的影响因素而具有挑战性.
• 传统的深度学习模型,如LSTM和BiLSTM,在长期时间序列预测准确性方面存在局限性.
• 循环神经网络 (RNN) 难以应对长期的依赖性和可扩展性.

研究的目的:

• 开发先进的神经网络模型,以更准确地预测PM2.5度的时间序列.
• 解决现有模型在处理复杂动态和长期依赖方面的局限性.
• 提出和评估基于普通微分方程 (ODE) 的新型模型,以改进PM2.5预测.

主要方法:

• 提出了两种基于ODE的模型:基于变压器的ODE模型和封闭形式的ODE模型.
• 利用连续时间的神经网络和微分方程用于时间序列建模.
• 进行经验评估和对对 t 测试,将模型性能与基于 LSTM 的模型进行比较.

主要成果:

• 与基于LSTM的模型相比,提出的基于ODE的模型显著提高了预测准确性.
• 预测准确度的改善在1小时到8小时的预测中从2.91%到14.15%不等.
• 拟议的模型 (CCCFC) 在统计学上显示出比BiLSTM,LSTM,GRU,ODE-LSTM和PCNN,CNN-LSSTM更显著的性能优势.

结论:

• 基于ODE的模型,特别是闭式网络,为PM2.5时间序列预测提供了卓越的可扩展性和准确性.
• 开发的模型为复杂的环境数据提供了传统深度学习方法的强大替代方案.
• 这些发现加强了拟议的CCCCFC模型对每小时PM2.5预测的有效性.