基于GCN-GRU-Attention的多站点PM2.5质量浓度预测方法
朱振业1
唐超礼2
1.安徽理工大学计算机科学与工程学院,安徽 淮南 2320012.安徽理工大学电气与信息工程学院,安徽 淮南 232001
摘要：为提高大气细颗粒物(particulate matter 2.5,PM2.5)质量浓度预测的准确率,并为科学制定空气质量管理策略和污染防治措施提供决策依据,提出了基于图卷积-门控循环单元-注意力机制(graph convolutional network-gated recurrent unit-attention mechanism,GCN-GRU-Attention)组合模型的多站点PM2.5质量浓度预测方法.通过动态构建站点间的时空图捕捉动态相关性,并结合注意力机制增强时空特征的交互性.结果表明,在长期预测中,GCN-GRU-Attention模型相较于对比模型中表现最好的PM2.5图神经网络(PM2.5-graph neural network,PM2.5-GNN)模型,平均绝对误差和均方根误差分别降低了 3.2%和 1.8%.在短期预测和污染高峰期预测中的效果相较于传统模型和固定图结构模型也均有明显提升.消融实验进一步验证了动态图建模和注意力机制对模型性能提升的有效性.该研究为动态环境下的PM2.5质量浓度预测提供了新思路,并为空气质量管理和公共健康保护提供了可靠依据.
关键词：PM2.5质量浓度预测动态图注意力机制时空特征融合污染治理安徽省
分类号：TP311.13(计算技术、计算机技术)
资助基金：安徽省研究生创新创业实践项目(2023cxcysj089)安徽理工大学研究生创新基金项目(2023cx2092)
论文发表日期：2025-03-19
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( 67-72,85 )
英文信息