环境与发展

基于LSTM的空气质量历史关联模型研究

文 丽霞

西南交通大学地球科学与环境工程学院

郑 乃瑞

西南交通大学地球科学与环境工程学院

王 浩宇

西南交通大学地球科学与环境工程学院

邓 小超

西南交通大学地球科学与环境工程学院

DOI: https://doi.org/10.59429/hjfz.v5i6.829

Keywords: AQI间接预测；时间序列预测；大气污染物排放量；LSTM

---

Abstract

空气质量关乎个人健康和社会的发展，科学有效的空气质量预测具有十分重要的意义。空气质量指数（AQI）具有 时序性，以往的研究大多忽略了其在时间维度上的特性，也没有对污染物排放量与空气质量的关系进行深入的探讨。为此， 本研究充分考虑AQI数据的时序特征，结合大气污染物排放量，采用长短期记忆网络（LSTM），建立基于时间序列的空气 质量历史关联模型。提出AQI间接预测模式，即先预测空气质量分指数，再根据AQI计算公式得出当日AQI值。设计四组 实验方案，将AQI、空气质量分指数以及大气污染物排放量之间进行变量组合寻优，对比直接预测模式与间接预测模式，以 及加入大气污染物排放量前后的预测效果。研究结果表明，间接预测模式可以达到相对更好的预测效果。

---

References

[1]LiH,WangJ,LiR,etal.Novelanalysis–forec

astsystembasedonmulti-objectiveoptimizationforairqu

alityindex[J].JournalofCleanerProduction.2019,208:1

365-1383.[2]ChhikaraP,TekchandaniR,KumarN,etal.Fede

ratedLearningandAutonomousUAVsforHazardousZoneDetectionandAQIPredictioninIoTEnvironment[J].IEE

EInternetofThingsJournal.2021,8(20):15456-15467.

[3]SethiJK,MittalM.AnalysisofAirQualityusin

gUnivariateandMultivariateTimeSeriesModels[Z].Noi

da,India:2020823-827.[4]YongYu,XiaoshengSi,ChanghuaHu,JianxunZ

hang;AReviewofRecurrentNeuralNetworks:LSTMCe

llsandNetworkArchitectures.NEURALCOMPUTATION.2019,31(7):1235-1270.[5]ChristopherO.UnderstandingLSTMNetworks[GB

/OL].(2015-08-27),[2022-05-25].http://colah.github.io/posts/

2015-08-Understanding-LSTMs/.