融合空间和统计特征的CNN-GRU臭氧浓度预测模型研究

作者：杨雨佳; 肖庆来; 陈健; 曾松伟^*

来源：南京大学学报(自然科学), 2023, 59(02): 322-332.

DOI：10.13232/j.cnki.jnju.2023.02.015

• 臭氧浓度预测
• 卷积神经网络
• 门控循环单元
• 空间特征
• 统计域

近年来，空气污染问题备受关注，近地面臭氧逐渐成为我国部分城市的首要污染物，因此对臭氧浓度的精准预测尤为重要.为了进一步提高臭氧浓度预测的精度，提出一种融合空间特征和统计特征的卷积神经网络和门控循环单元（Convolutional Neural Networks and Gate Recurrent Unit,CNN-GRU）臭氧浓度组合预测模型.首先，通过对时空因素以及其他大气污染物与臭氧浓度进行相关性分析，利用基于统计域的方法和克里金插值法对臭氧浓度时序数据进行预处理来提取臭氧浓度数据的时空特征，采用并联杂交CNN和GRU结构的组合预测模型得到最终的臭氧浓度预测结果 .实验结果表明，CNN-GRU组合预测模型预测未来一小时的臭氧浓度可决系数、均方根误差和均方误差的值分别为0.9598,11.9508和8.2753，未来两小时的臭氧浓度可决系数、均方根误差和均方误差的值分别为0.8985,18.5373和13.0045，优于独立的CNN、长短期记忆（LongShortTermMemory,LSTM）网络、GRU、卷积-长短期记忆网络（Convolutional LSTM Network,ConvLSTM）、CNN-LSTM和CNN-GRU预测模型，这是由于CNN-GRU组合预测模型融合了空间和统计特征，可以多角度提取特征并采用并联杂交的网络结构，所以预测精度较高，且具备较好的鲁棒性.

• 单位
  浙江农林大学; 机电工程学院