基于Adam注意力机制的PM2.5浓度预测方法

基于Adam注意力机制的PM2.5浓度预测方法

X511; 大气PM2.5浓度是一种具有较强时序特征的数据,故目前关于PM2.5浓度的预测多选择RNN、LSTM等序列模型进行.但由于RNN、LSTM等模型对不同时刻输入的数据都采用相同的权重进行计算,不符合类脑设计,造成PM2.5浓度预报准确率较低.针对以上问题,提出一种基于Adam注意力机制的PM2.5预测方法(AT-RNN和AT-LSTM),该方法首先通过Adam算法寻找RNN或LSTM的最优参数并在Encoder阶段引入注意力机制,将注意力权重分配给具有时间序列特征的输入,再进行Decoder解析和预测.通过实验,对比了BP、RNN、LSTM和AT-RNN、AT-LSTM预测合肥市PM...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:大气与环境光学学报 2021, Vol.16 (2), p.117-126
Hauptverfasser: 张怡文, 袁宏武, 孙鑫, 吴海龙, 董云春
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:X511; 大气PM2.5浓度是一种具有较强时序特征的数据,故目前关于PM2.5浓度的预测多选择RNN、LSTM等序列模型进行.但由于RNN、LSTM等模型对不同时刻输入的数据都采用相同的权重进行计算,不符合类脑设计,造成PM2.5浓度预报准确率较低.针对以上问题,提出一种基于Adam注意力机制的PM2.5预测方法(AT-RNN和AT-LSTM),该方法首先通过Adam算法寻找RNN或LSTM的最优参数并在Encoder阶段引入注意力机制,将注意力权重分配给具有时间序列特征的输入,再进行Decoder解析和预测.通过实验,对比了BP、RNN、LSTM和AT-RNN、AT-LSTM预测合肥市PM2.5浓度的效果.结果表明,基于Adam注意力模型的预测方法准确率优于其它方法,证明该方法在污染物预测中的有效性.
ISSN:1673-6141
DOI:10.3969/j.issn.1673-6141.2021.02.005