通过改进的混合深度学习,提高城市PM2.5度的短期预测
Yin Zhou1, Yaping Lyu2, Xiuli Dang1
1College of Land and Environment, National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Northeast Key Laboratory of Conservation and Improvement of Cultivated Land, Shenyang Agricultural University, Shenyang, 110866 P. R. China.
Journal of environmental health science & engineering
|August 28, 2025
概括
这项研究引入了一种改进的深度学习模型,用于预测颗粒物 (PM2.5) 度. 这种新模型显著减少了预测错误,
科学领域:
- 环境科学
- 数据科学
- 人工智能
背景情况:
- 准确预测PM2.5度对于空气质量管理和公共卫生至关重要.
- 现有的深度学习模型在实现高精度的长期PM2.5预测方面面临挑战.
研究的目的:
- 开发和评估一个改进的深度学习模型,以提高PM2.5度的预测.
- 研究模型改进对预测性能的影响.
主要方法:
- 一个结合1D CNN和双向LSTM的新型模型被开发用于每小时的PM2.5预测.
- 培训使用了来自中国沈阳的空气质量数据 (2020-2022年).
- 通过将网络输出与PM2.5序列数据集成,考虑空间相关性和污染物相互作用,从而提高了模型的性能.
主要成果:
- 改进的模型显示出显著的错误减少:49%的RMSE,51%的MAE和44%的MAPE.
- 下一个小时的预测得到了4.6%的改善.
- 这种模型有效地减少了预测错误,
结论:
- 拟议的深度学习模型显著提高PM2.5预测的准确性.
- 这一进步为建立高精度PM2.5预测模型提供了一种新方法.
- 这种方法有望改善空气质量监测和预测系统.

