摘要: 随着现代社会T业化的加速与城镇化进程的推进，城市的环境空气受到T业废气、汽车尾气等有害气体的污染日益严重。城市空气质量关乎居民的生命健康，近年来国家和政府对环境保护T作愈发重视，对环境空气质量做出了定义，同时也在城市各处不断增设空气质... 展开 随着现代社会T业化的加速与城镇化进程的推进，城市的环境空气受到T业废气、汽车尾气等有害气体的污染日益严重。城市空气质量关乎居民的生命健康，近年来国家和政府对环境保护T作愈发重视，对环境空气质量做出了定义，同时也在城市各处不断增设空气质量监测站点，通过空气质量指数(AQI)度量不同地区的空气污染程度。目前，学者们使用不同方法对空气质量的变化进行了建模研究，其中神经网络模型在对AQI的预测研究里取得了良好的效果。在城市范围内，污染气体会随着空气的流动扩散和传播，不同区域的AQI会受到来白其他地区污染的影响，而目前许多的基于神经网络的预测研究仅对空气质量指数在时间维度上进行建模和学习，并未对空间上的影响因素进行建模。本文设计了一个神经网络融合模型对城市的空气质量指数进行了建模预测，具体内容如下： (1)AQI数据的时间特征学习。由于AQI数据收集的连续性和等间隔的特点，本文使用长短时记忆(ISTM)和时序卷积网络(TCN)两种用于序列建模的神经网络对空气质量的时间维度变化进行建模和学习，实验结果表明LSTM与TCN在预测结果上较为接近，对于不同数据的学习能力各有优劣，且在使用LSTM-TCN组合模型时学习效果能获得一定的提升。 (2)AQI数据的空间特征学习。本文将城市内的空气质量监测站位置分布抽象为一个连通图，利用节点间的相对距离作为边的权重，并使用图卷积神经网络(GCN)对节点学习到的时序特征间的相互影响进行学习。模型的消融实验结果表明在添加GCN层对空间特征进行建模后，预测结果的平均绝对误差(MAE)和均方根误差(RMSE)分别降低了6.46%和3.4g%。 (3)不同城市AQI数据的实证研究。本文使用最终构建的空气质量时空预测模型(IT-GCN)在五个不同城市的AQI数据上进行了实证研究。实验结果表明，通过GCN层扩大模型的空间视野后，模型对AQI数据的学习和预测能力在不同城市的数据集上均有提升，其中成都市的提升效果最为显著，MAE平均降低11.96%，RMSE平均降低4.05%，拟合优度R2平均上升1.16%。此外，根据不同站点预测结果提升程度的比较发现，位于监测站网络边缘的站点数据相较于集中区域的站点提升幅度更低，且对于站点分布稀疏的城市添加空间视觉带来的预测能力提升也更小。 本文根据已有的时间序列预测模型对空气质量指数的预测方法进行了改进，本文的主要创新点在于：1）利用LSTM和TCN提取时间序列变化的同时，结合GCN层汇聚周边节点信息，扩充了预测模型的观测视角；2）利用不同网络间的跳链接与直推式学习方法增加了模型的稳定性和预测精度；3）在不同城市进行了实证研究。根据实证研究结论，本文对城市空气质量管理和预测提出了相应建议。在管理方面可以通过增设AQI预报的形式为城市居民的生产生活安排提供指导，同时为空气质量治理提供参照；在预测方面通过增设城市内的监测站点、结合时间和空间两方面的数据特征能提供更准确的预报值，此外，利用直推式学习能增强LT-GCN模型预测能力，让重要时段的AQI预测更可靠。最后，就本文对空气质量预测研究的优势和不足进行了总结，同时展望了未来空气质量预测研究的深入方向。 收起