基于改进的Seq2Seq-LSTM模型的空气质量指数预测研究模型

摘要

针对长短期记忆网络(Long Short-Term Memory,LSTM)模型输入输出时间步长度相等、处理长序列遗忘多、无法按重要程度分配权重等不足,构建了一种基于注意力机制(Attention Mechanism,Attention)改进的Seq2Seq-LSTM组合模型。该模型将序列到序列(Sequence to Sequence,Seq2Seq)模型中编码器、解码器设置为三层LSTM结构,并在解码器输出序列前引入注意力机制对模型进一步优化。为验证改进后的Seq2Seq-LSTM模型的有效性,本研究以山东省青岛市为研究区域,基于历史数据对未来1~7 h的空气质量指数进行模拟预测;预测结果与传统的机器学习模型支持向量机(Support Vector Machines,SVM)以及单一的LSTM模型预测结果进行了对比。结果表明:改进后的Seq2Seq-LSTM模型在中长期空气质量指数预测中的预测效果更突出。说明改进后的Seq2Seq-LSTM模型较单一模型具备更强的预测力,可作为山东省青岛市中长期空气质量指数预测模拟的可靠工具。