Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model(基于RNN-CNN 集成深度学习模型的PM2.5小时浓度预测)
针对目前大部分PM2.5 预测模型预测效果不稳定、泛化能力不强的现状，以记忆能力较强的循环神经网络（RNN） 和特征表达能力较强的卷积神经网络（CNN） 为基础，采取Stacking 集成策略对两者进行融合，提出了RNN-CNN 集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度，而且在不同层次上将自动提取的高维时序数据通用特征用于预测，以保证预测结果的稳定性。最后，对集成之前的 RNN、CNN 和集成之后的RNN-CNN 模型，以2016 年中国大陆地区1 466 个监测站点的空气质量数据为样本进行实例验证，结果表明，RNN-CNN 在PM2.5 时间序列预测上的...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Zhejiang University Press
2019-05-01
|
| Series: | Zhejiang Daxue xuebao. Lixue ban |
| Subjects: | |
| Online Access: | https://doi.org/10.3785/j.issn.1008-9497.2019.03.016 |