基于多源时空数据融合的空气质量预测算法研究

摘要

空气质量是关系民生的重大社会问题，习主席多次强调要提高环境治理水平，增强大气污染治理力度，坚决打赢蓝天保卫战。空气质量监测站作为城市中环境监测的基础设施，分布在城市的多个区域，每天会采集到大量的空气监测数据。这些数据为挖掘数据间的联系、建立科学的空气质量预测模型提供了数据基础。因此，本课题应用数据融合、数据挖掘、机器学习等方法和技术构建空气质量预测模型，选取多源数据对空气质量进行预测研究。本课题的主要研究工作如下： （1）基于时空加权回归的空气质量预测方法 空气监测数据在呈现方式上具有序列特征，同时存在时间和空间特性，为了充分利用数据间的时空相关性，给出一种基于时空加权回归的空气质量预测方法。首先，针对数据缺失问题，采用线性插值和神经网络预测相结合的方法对缺失数据进行恢复。其次，针对数据多源性特点，采用时间和空间特征将空气监测数据与气象数据进行融合，并将时间信息离散化，加强数据在时间上的关联性。最后，针对数据维度较高和变量间存在共线性的问题，借助主成分分析方法选取最优变量，应用时空加权回归模型进行分析及预测。实验表明，该方法在准确率上优于普通线性回归模型与传统的地理加权回归模型。 （2）基于快速长短期记忆网络的空气质量预测方法 大气污染物成分复杂且来源多样，数据间的依赖关系较长，在训练过程中容易产生长期依赖问题，影响模型的预测准确率。为此，给出一种基于快速长短期记忆网络的空气质量预测方法。首先，选取K-means算法对多源数据进行聚类，并添加分类标签。其次，采用长短期记忆网络解决序列数据过长导致的长期依赖问题，有效避免梯度消失和梯度爆炸。最后，针对长短期记忆网络模型训练速度较慢的问题，引入简单循环单元来简化状态计算，实现更快的状态更新。实验表明，该方法在保证预测精度的情况下，大幅减少了训练时间。 （3）基于多源数据融合的空气质量预测原型系统的设计与实现 为验证本课题的研究成果，加强理论和实践的结合，设计并实现了基于多源数据融合的空气质量预测原型系统。该系统包含算法选择、模型训练、模型预测三个模块，通过应用不同城市、不同时期的历史数据来训练模型，用户可选择不同模型、不同的时间跨度预测未来一段时间内空气质量的状况。该系统对城市生活、智能交通、环境保护等都具有重要的实践价值。

目录

声明

致谢

1 绪论

1.1研究背景及意义

1.2 国内外研究现状

1.3 主要研究内容

（2）基于快速 长短期记忆网络 的空气质量预测方法

（3）基于多源数据融合的空气质量预测原型系统设计与实现

1.4论文结构

2 空气质量预测相关技术研究

2.1.1 数据定义

2.1.2 数据收集

2.1.3 数据分析

2.1.4 空气质量指数划分

2.2空气质量预测方法研究

2.2.1 基于统计学的预测方法

2.2.2 基于神经网络的预测方法

2.3评价标准及介绍

2.4 本章小结

3 基于时空加权回归的空气质量预测方法

3.1 问题描述

3.2 AQPM-GTWR框架

3.3数据预处理

3.3.1 数据特征

3.3.2 数据清洗

3.3.3 缺失数据处理

3.4多源数据融合

3.5基于时空加权回归的空气质量预测方法

3.5.1 GTWR解释变量选取

3.5.2 GTWR模型构建

3.6.1 实验数据及运行环境

3.6.2 实验结果与分析

3.7 本章小结

4 基于快速长短期记忆网络的空气质量预测方法

4.1 问题描述

4.2AQPM-FLSTM框架

4.2.1 输入模块

4.2.2 简单循环单元加速LSTM

4.3.1 快速LSTM空气质量预测模型构建

4.3.2 AQPM-FLSTM算法

4.4实验分析

4.4.1实验参数选取

4.4.2 聚类算法分析

4.4.3 算法性能分析

4.5 本章小结

5 基于多源数据融合的空气质量预测原型系统的设计与实现

5.1 系统框架

5.2 系统功能

（1）数据预处理

（2）模型训练

（3）模型预测

5.3系统的设计与实现

5.4 本章小结

6 总结与展望

6.1 总结

6.2研究展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集