摘要: 空气污染作为城市发展中一个不可忽视的问题，诸如PM2.5等影响空气质量的污染物对人体的健康有着严重的影响，因此如何针对空气质量进行细粒度的预测对空气污染的治理有着很重要的意义。由于空气质量数据是典型的时空序列数据，因此本文采用深度学习的... 展开 空气污染作为城市发展中一个不可忽视的问题，诸如PM2.5等影响空气质量的污染物对人体的健康有着严重的影响，因此如何针对空气质量进行细粒度的预测对空气污染的治理有着很重要的意义。由于空气质量数据是典型的时空序列数据，因此本文采用深度学习的方法对时空序列数据进行建模并预测，构建了一套空气质量预测模型。本文的研究内容如下： 首先针对空间属性数据稀疏无法充分反映空间特征的问题，本文对基于地学第三定律的空间插值方法进行了改进，该方法通过引入一种环境相似度的概念，针对环境相似度高的地区进行插值，在第一轮插值过后，再使用克里金方法对剩余未知研究区域进行插值。采用这种插值方法可以有效避免克里金插值法在已知数据稀少时插值失效的问题。 其次本文通过分析空气质量数据的时空周期性特点，结合前文所述空气质量插值模型，针对具有时空特征数据的时空关联性问题，本文采用了卷积长短期记忆网络作为模型的基础模块，该模块可以充分捕捉数据的时空关联特性，通过采用编码器解码器结构，将时空特征进行编码，并通过编码器解码器结构将编码后的特征进行解码，最终得到一个时空关联性高的特征。同时由于该网络为长短期记忆网络的变体，因此该网络可以有效避免循环神经网络在进行长期预测时会出现的梯度消失及梯度爆炸问题，可以有效捕获时空序列数据动态演化特性，即对空气质量数据具有的周期性，趋势性特性进行学习并进行预测。 最后通过对比实验，验证本文改进的空间插值方法与基于编解码器的神经网络模型的有效性。设计实验对比本文改进的空间插值方法与传统空间插值方法如距离平方反比法和克里金方法的误差，验证基于地学第三定律的改进插值方法的准确性。设计实验验证在采用空间插值方法后与未采用空间插值方法的预测结果对比，验证空间插值方法的有效性。将本文设计的空气质量预测模型与移动平均自回归方法，支持向量回归方法，长短期记忆网络进行对比，验证本文设计的模型的准确性。分别进行单步预测与多步预测，验证本文设计的模型在多步预测时的准确性。 收起