梦入神机,风凌天下,大主宰

基于改進BCCSA和深層LSTM的空氣質量預測方法

2022年電子技術應用第6期

韋詩玥，徐洪珍

東華理工大學信息工程學院，江西南昌330013

摘要： 現有的空氣質量預測方法很少考慮季節性因素，且預測的效果不佳，因此提出一種基于改進二元混沌烏鴉搜索算法(Binary Chaotic Crow Search Algorithm，BCCSA)和深層長短期記憶神經網絡(Long Short Term Memory，LSTM)的空氣質量預測方法。首先提出季節調整的方法對收集的原始空氣質量數據進行預處理，以消除季節對預測的影響；然后提出改進BCCSA，對空氣質量數據進行優化處理；最后，將自注意力機制加入到深層LSTM中，對空氣質量數據進行預測。實驗結果表明，該方法能有效地提高空氣質量的預測精度。

關鍵詞： 空氣質量季節調整改進BCCSA 深層LSTM 自注意力機制

中圖分類號： TP399
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222731
中文引用格式： 韋詩玥，徐洪珍. 基于改進BCCSA和深層LSTM的空氣質量預測方法[J].電子技術應用，2022，48(6)：28-32.
英文引用格式： Wei Shiyue，Xu Hongzhen. Air quality prediction method based on improved BCCSA and deep LSTM[J]. Application of Electronic Technique，2022，48(6)：28-32.

Air quality prediction method based on improved BCCSA and deep LSTM

Wei Shiyue，Xu Hongzhen

School of Information Engineering，East China University of Technology，Nanchang 330013，China

Abstract： The existing air quality prediction methods rarely consider seasonal factors, and the prediction effect is not good. Therefore, an air quality prediction method based on improved binary chaotic crow search algorithm(BCCSA) and deep long short term memory neural network(LSTM) is proposed. Firstly, the method of seasonal adjustment is proposed to preprocess the collected original air quality data in order to eliminate the influence of season on prediction. Then, an improved BCCSA is proposed to optimize the air quality data. Finally, the self-attention mechanism is added to the deep LSTM to predict the air quality data. The experimental results show that this method can effectively improve the prediction accuracy of air quality.

Key words : air quality；seasonal adjustment；improved binary chaotic crow search algorithm(BCCSA)；deep long short term memory(LSTM)；self-attention mechanism

0 引言

隨著社會的發展和生活質量的提高，人們不再是關注溫飽問題，更多地開始關注健康問題。被污染了的空氣會給人類健康帶來危害，特別是在人口稠密的地區^[1]。空氣質量是一個十分復雜的現象，會受到許多因素的影響^[2]。空氣質量能夠通過計算空氣中的污染物來反映空氣污染的嚴重程度，通常用空氣質量指數(Air Quality Index，AQI)來進行定量描述。有效的空氣質量預測能夠為人們提供及時的空氣質量警報，能夠使政府部門及時干預高污染事件，能夠提醒人們是否適宜進行戶外活動。嚴重的空氣污染不僅會影響人們的生活，更會影響人們的生命健康^[3]。準確地進行空氣質量預測對國家、政府、民眾來說都是一件重要的事。

空氣質量數據具有明顯的季節性，如果忽視這一因素，會導致對空氣質量數據的預處理不夠充分并且預測精度不夠高，所以本文提出季節調整的空氣質量數據預處理方法。本文首次將二元混沌烏鴉搜索算法(Binary Chaotic Crow Search Algorithm，BCCSA)應用于空氣質量數據的預測，能夠更好地優化非線性、非平穩的空氣質量數據，并針對BCCSA存在的不足，提出3種改進方法用以提高它的收斂速度。本文還將自注意力機制與深層長短期記憶神經網絡(Long Short Term Memory，LSTM)相結合來預測經過處理的空氣質量數據，能有效挖掘空氣質量數據中隱藏的時間序列信息，提高了方法的預測精度。現有的研究大多都是對空氣質量進行未來幾個小時的短期預測，而本文對空氣質量進行了未來24小時的預測，并且具有較高的精度。

本文詳細內容請下載：http://m.viuna.cn/resource/share/2000004414。

作者信息：

韋詩玥，徐洪珍

(東華理工大學信息工程學院，江西南昌330013)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容