基于多元分解的大气污染深度学习预测方法

摘要

为了有效地控制和治理大气污染,合理预测污染物在大气中浓度,对于提前采取预防措施、有效管理污染活动发挥着重大作用.针对多变量非线性、复杂的时间序列,以及多因素影响预测浓度的问题,提出一种基于多变量分解的非平稳时间序列深度预测方法.首先,确定主要预测变量,并对主变量进行STL(Seasonal and Trend decomposition using Loess,STL)分解得到3个分变量;其次,通过皮尔逊相关系数得出与主变量较为相关的几个相关变量;最后,对3个分变量和其余相关变量进行CNN+ BiLSTM混合网络预测并融合得到主变量预测值.通过对太原环境监测站提出的工业园区的大气数据进行实验,预测结果表明,上述预测模型对工业园区大气污染预测模型的优化,并为工业园区大气环境污染防治对策的制定提供准确、及时的数据依据.