基于深度神经网络的空气质量预测系统

康兵兵, 党 鑫

【摘 要】提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2.5、PM10等污染物数据作为样本.本模型基于Java平台构建，进行了训练和参数调整，建立了最优的空气预测模型.根据北京市的实验结果表明，该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比，本文提出的模型具有优越的性能.

【期刊名称】哈尔滨商业大学学报（自然科学版）

【年(卷),期】2019(035)003

【总页数】5

【关键词】栈式自编码网络；空气质量；预测；深度学习；机器学习；神经网络

近年来，由于能源消耗的增加，空气污染问题日益严重.空气污染物，如一氧化碳(CO)，二氧化硫(SO2)，氮氧化物(NOx)，臭氧(O3)和可吸入颗粒物(PM2.5和PM10)[1]等，对人类健康以及环境造成极大的负面影响.2009年9月国务院颁布了《大气污染防治行动计划》，明确要求地方政府建立监测和应急响应体系，开展空气质量预报工作.因此，进行空气质量预测，为当地政府及时提供信息，避免严重的空气污染事故是很有必要的[2].

目前，许多关于空气污染的研究主要集中在预测空气质量上[3].因此，人们已经提出了许多用于预测大气污染物的模型，如多元线性回归(MLR)[4]模型，自回归滑动平均(ARMA)[5]模型等.但是，由于它们无法模拟非线性特征，因此精度通常较低.

为了克服这个缺点，人们开始使用人工神经网络(ANNs)[6]和支持向量回归(SVR)模型[7]来解决准确性问题.通过拟合了关于空气污染物浓度的时间序列的非线性特征，这些模型获得了预期的结果.

但是，以上这些模型在准确率方面一般只能进行粗粒度的调整，不能针对特定问题进行优化.因此，本文引入了一种基于深度学习和统计的空气质量预测方法-栈式自编码模型，用于提取具有代表性的时间、空间特征，并且以贪婪的分层方式训练.

1 自编码器和预测模型

基于深度神经网络的空气质量预测系统