針對(duì)傳統(tǒng)深度學(xué)習(xí)模型在預(yù)測(cè)空氣質(zhì)量指數(shù)(air quality index,AQI)時(shí),難以從時(shí)間角度建模、網(wǎng)絡(luò)超參數(shù)選取困難等問題,提出一種基于長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)和煙花算法(fireworks algorithm,FWA)的AQI預(yù)測(cè)模型LSTM-FWA。首先,以武漢市歷史空氣質(zhì)量和氣象監(jiān)測(cè)數(shù)據(jù)為研究對(duì)象,利用LSTM網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)之間相互連接的結(jié)構(gòu)特點(diǎn),對(duì)空氣質(zhì)量的時(shí)間變化特征進(jìn)行建模;接下來,考慮到種群多樣性和并發(fā)性,將煙花算法應(yīng)用到超參數(shù)組合優(yōu)化問題中;最后,對(duì)模型輸入分別進(jìn)行時(shí)間、空間、時(shí)空角度的優(yōu)化,實(shí)驗(yàn)結(jié)果表明基于時(shí)空優(yōu)化的LSTM-FWA模型預(yù)測(cè)性能提升最為明顯。將LSTM-FWA與其他預(yù)測(cè)模型進(jìn)行比較,并全面分析不同模型在各種優(yōu)化策略下的性能。實(shí)驗(yàn)結(jié)果顯示,本文提出的時(shí)空優(yōu)化LSTM-FWA模型對(duì)于AQI預(yù)測(cè)具有最優(yōu)的性能。

【文章頁數(shù)】：13 頁

【部分圖文】：

圖1LSTM模塊內(nèi)部結(jié)構(gòu)示意圖Fig.1TheinnerstructureofLSTMunit

好的煙花，壞的煙花表示該組超參數(shù)的預(yù)測(cè)性能較差，所以附近存在較優(yōu)超參數(shù)組合的可能性較少，因此爆炸產(chǎn)生的超參數(shù)組火花數(shù)較少，且距離該組超參數(shù)的中心較遠(yuǎn)，位置也比較分散，可在解空間其他位置搜尋潛在的爆炸效果好的超參數(shù)組合，從而提高全局搜索能力。被選中的超參數(shù)組火花進(jìn)入下一輪迭代后，會(huì)....

圖2不同爆炸效果的煙花爆炸半徑和產(chǎn)生火花數(shù)Fig.2Theexplodedfireradiusandgeneratedfireworksfromdifferentexplosioneffects

圖3基于煙花算法的超參數(shù)尋優(yōu)流程圖Fig.3Flowchartofsuper-parametersoptimizationwithfireworksalgorithm

-FWA，對(duì)空氣質(zhì)量進(jìn)行預(yù)測(cè)。該模型輸入數(shù)據(jù)為目標(biāo)城市在預(yù)測(cè)日前一天的空氣質(zhì)量數(shù)據(jù)、氣象數(shù)據(jù)以及第二天的氣象預(yù)報(bào)數(shù)據(jù)，輸出數(shù)據(jù)為預(yù)測(cè)出的第二天的AQI值。以下表為例，武漢市在預(yù)測(cè)日前一天的空氣質(zhì)量數(shù)據(jù)（共8項(xiàng)）如表1所示；氣象數(shù)據(jù)（共18項(xiàng)）如表2所示。因此模型輸入維度為44，即....

圖4LSTM-FWA預(yù)測(cè)模型流程Fig.4FlowchartofLSTM-FWApredictionmodel

能見度/km平均能見度/km最小能見度/km最大風(fēng)速/m·s-1最小風(fēng)速/m·s-1降水量/mm值103710341031181461160表1武漢市在預(yù)測(cè)日前一天的空氣質(zhì)量數(shù)據(jù)Table1AirqualitydataofWuhanonthedaybeforeprediction....

本文編號(hào)：4026205