基于关联性分析与深度学习的细颗粒物浓度预测模型研究.pdf

摘要

近年来，随着人口的增加和城市化的加速以及各种工业和交通活动的增加，全球大量城

市空气污染中的细颗粒浓度不断增加。空气污染中的主要污染物包含PM2.5、PM10等细颗粒

物，其浓度的大小直接关系到空气污染的程度。细颗粒物浓度预测是提供空气污染预警和支

持清洁工业生产的有效方法，然而现有的方法从空气污染的时间序列数据中捕捉长期依赖关

系和复杂关系方面的能力比较弱，并且大多数细颗粒物浓度预测模型都是基于单站点数据所

建立的模型，由于目标监测站点的细颗粒物浓度的变化会受到相邻监测站点污染物浓度的影

响，因此需要分析其数据之间的关联性。

为了能够精确、高效的对海量细颗粒物浓度数据进行预测，本文将多站点空气污染时间

序列数据作为研究对象，建立相应的细颗粒物浓度预测模型，并设计基于关联性分析与深度

学习的细颗粒浓度预测原型系统。主要的工作内容如下：

1.针对现有的基于时间序列的空气污染物浓度预测模型，可能会出现较长的时滞性，并

且也没有充分考虑到各监测站点之间以及空间上关联性的问题，提出了一种基于关联性分析

的细颗粒物浓度预测方法。该方法先由皮尔森系数筛选出与目标站点污染物浓度关联性最高

的3个站点，然后再将这些站点的空气污染物数据与目标站点的数据进行融合，最后再结合

相应的深度学习预测模型进行细颗粒物浓度预测。实验结果表明提出的基于关联性分析的细

颗粒物浓度预测方法在未来6小时内的PM2.5以及PM10细颗粒物浓度的预测精度均有所提

高。

2.针对现有的细颗粒物浓度预测模型结构复杂、不能够有效的利用特定时间范围内过去

和未来的特征的问题，提出了一种基于关联性分析与BiGRU(Bi-directionalGatedRecurrent

Unit)的细颗粒物浓度预测模型。该模型先通过前面提出的基于关联性分析的细颗粒物浓度预

测方法筛选出与目标站点预测目标关联性最强的3个站点，然后将这些站点相关的空气污染

物数据与目标站点的相关数据组成的多变量时间序列数据作为BiGRU模型的训练所使用的

数据。实验结果表明所提出的基于关联性分析与BiGRU的细颗粒物浓度预测模型相较于其它

深度学习预测模型，能够有效的降低PM2.5以及PM10细颗粒物浓度预测结果的误差。

3.综上提出的细颗粒物浓度预测模型，基于浏览器和服务器架构，并使用前后端分离的

方式，设计并实现了细颗粒物浓度预测原型系统。本系统实现了前面提出的细颗粒物浓度预

测模型，并实现了对当前目标站点的实时细颗粒物浓度预测。除此之外，本系统还实现了数

据动态展示、后台运维人员信息管理、日志管理、细颗粒物浓度数据大屏化展示等功能，能

够更加高效的协助后台管理人员及时的了解当前空气质量的变化情况，同时也可以检验当前

的细颗粒浓度预测模型的可行性。

关键词:关联性分析，深度学习，细颗粒浓度预测，BiGRU

Abstract

Forthepastfewyears,withtheincreaseofpopulationandtheaccelerationofurbanizationand

theincreaseofvariousindustrialandtransportationactivities,concentrationsoffineparticlesinair

pollutioninalargenumberofcitiesaroundtheworldareincreasing.Themainpollutantsinair

pollutionincludefineparticulatemattersuchasPM2.5andPM10,anditsconcentrationisdirectly

relatedtothedegreeofairpollution.Fineparticulateconcentrationpredictionisaneffectivewayto

provideearlywarningofairpollutionandsupportcleanindustrialprod