基于LSTM神经网络空气污染监测预报系统的研究与实现

• 作 者: 张晗
• 出 处: 西安电子科技大学
• 发表日期: 2020年02期
• 关键词: LSTM神经网络 时间序列数据 空气污染预测

随着我国科学技术的飞速发展和经济水平的不断提高,我国能源的开采与使用量不断加大。由于没有精细化的能源使用与排污手段,导致空气污染状况愈加严重。为了提前了解未来空气污染情况,尽早制定相关应对措施将污染提前遏制,建立一套空气污染监测预报系统十分必要。本文针对空气污染和气象监测数据的时间序列特点,考虑到序列数据在时间上的前后关联性和LSTM神经网络对于处理时间序列问题的适用性,研究一种基于LSTM神经网络的空气污染预测模型。该模型可以记忆长期的历史计算结果并结合当前信息分析序列数据的前后逻辑关系,实现高效的空气污染预测。然后基于该空气污染预测模型建立一套空气污染监测预报系统,实现六种主要大气污染物的空气污染浓度预测、未来空气质量评价和空气污染预警功能,为人们的健康出行和环保部门科学合理的控制空气污染提供有效依据。本文工作主要有以下三个方面,第一,了解空气污染预测方法的发展历程,研究在当前机器学习时代背景下较为流行的人工神经网络的预测方法;接着对LSTM神经网络进行研究,分析该神经网络特点和对于处理解决时间序列问题的适用性。第二,设计并搭建基于LSTM神经网络的空气污染预测模型,依据模型的训练数据格式对采集得到的历史污染数据和气象监测数据进行预处理和模型输入适应性处理,将训练数据输入模型进行网络训练,得到成熟的六种主要空气污染物的污染预测模型。第三,开发基于LSTM神经网络的空气污染监测预报系统,将成熟的空气污染预测模型应用其中。系统从全国空气质量历史数据网站和气象网站采集所得空气污染监测数据与气象数据,通过系统的逻辑计算和LSTM神经网络预测模型的预测分析,实现未来一段时间的空气污染浓度预测、未来空气质量评价和污染超标预警功能。本文最后对基于LSTM神经网络的空气污染监测预报系统的功能、性能和模型预测偏差性进行实验验证。结果表明,该系统能够实现系统的功能需求并满足用户的性能要求,具有良好的可用性和可靠性;LSTM空气污染预测模型的污染浓度预测结果相对真实污染浓度数据存在的偏差较小、预测精度较高,因此系统整体具有一定的应用价值。