IG-LSTM模型在空气质量指数预测中的应用
陈岑
田晓丹
武文星
1.华北科技学院 计算机学院,北京 东燕郊 0652012.华北科技学院 计算机学院,北京 东燕郊 0652013.华北科技学院 计算机学院,北京 东燕郊 065201
摘要：空气质量指数(Air Quality Index,AQI)是衡量空气质量优劣的重要指标,对安全生产和人民生活具有重要的指导作用.但由于空气质量的状态受到多个污染因子的影响,具有很强的时序性,传统回归预测方法的效率和精确度都较低,鉴于此,文中提出了一种基于IG(信息增益)和长短期记忆网络(Long Short-Term Memory,LSTM)的空气质量指数混合预测方法.本文首先基于Ten-sorFlow机器学习框架搭建了动态预测模型,并利用IG(信息增益)减少输入变量的数量以及降低模型的复杂程度,然后在某市2014年至2018年数据集的基础上训练和测试模型,并使用回归评估指标对模型的结果进行量化,通过与传统BP模型、LSTM模型的对比分析,得出IG-LSTM混合预测模型具有更低的预测误差和损失值,能较精准地预测空气质量指数.
关键词：LSTM模型信息增益空气质量指数大气污染预测
分类号：X511(大气污染及其防治)
资助基金：国家重点研发计划(2018YFC0808306)河北省重点研发计划资助项目(19270318D)河北省物联网监控工程技术研究中心资助项目(3142018055)青海省物联网重点实验室资助项目(2017-ZJ-Y21)
论文发表日期：2020-08-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 85-91 )
英文信息