基于多变量混合长短期记忆神经网络的长沙PM_(2.5)预报模型

作者：罗宇; 袁薇^*; 罗林艳; 陈明诚; 唐杰; 万文龙; 范嘉智

来源：科学技术与工程, 2021, 21(25): 10967-10975.

• 长短期记忆(LSTM)
• PM_(2.5)
• 逐小时预报
• 时空相关性
• 长沙

为了提高PM_(2.5)浓度预报准确率,基于长短期记忆(long short-term memory, LSTM)神经网络构建多变量混合预报模型(hybrid long short-term memory, hLSTM),利用空气质量数据、气象数据和日期时间信息对长沙10个空气质量监测站未来24 h PM_(2.5)浓度进行逐小时预报,并对模型精度进行评估。结果表明:hLSTM逐小时PM_(2.5)预报模型误差随预报时效的增加呈现前陡后缓逐步增大,均方根误差(root mean squared error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别从1 h的6.53μg/m~3、4.03μg/m~3和16.02%增大到24 h的20.62μg/m~3、13.56μg/m~3和47.34%;模型误差存在明显的季节性差异,呈现冬季>秋季>春季>夏季的特征;相较于基于决策树(decision trees, DTs)、循环神经网络(recurrent neural network, RNN)和普通LSTM的预报模型,hLSTM模型能更好地提取长沙PM_(2.5)浓度数据的时序特征,达到更高的预报精度;利用hLSTM模型对长沙2019年12月13—16日重污染天气过程PM_(2.5)浓度进行预报,各时效的预报结果均能反映污染过程中PM_(2.5)的变化趋势,其中3 h内的预报结果与观测值吻合程度较高。可见hLSTM可较好提取长沙PM_(2.5)浓度变化特征,为其短临预报提供一种新思路。

• 单位
  中国气象局气象干部培训学院; 湖南省气象信息中心; 南京信息工程大学; 中国气象局气象干部培训学院湖南分院; 湖南省气象台