基于GRU和注意力机制的空气质量预测研究

【摘要】：近年来,我国的经济和工业水平发展迅速,在建设现代化强国的进程中,资源的大量使用也带来了一系列的环境污染问题,其中空气污染问题尤为受到关注。空气质量与每个人的日常活动和身体健康状况紧密相关,因此,研究如何较为准确的预测空气质量有着十分重要的现实意义。同时,我国空气质量监测站点的数量不断增加,这些站点所做的工作为空气质量的研究提供了大量的历史数据。由于空气质量指数是非线性、非平稳的时间序列,传统的预测模型难以学习到数据中的深层信息,预测效果往往不理想。因此,本文考虑将机器学习方法以及神经网络模型应用到空气质量指数的预测问题中,并比较其优劣。首先分别使用SVM、GBRT、RNN、LSTM、GRU构建了五种预测模型,通过对比实验发现,三种神经网络模型(RNN、LSTM、GRU)的预测效果优于SVM和GBRT模型,且LSTM和GRU神经网络模型的预测效果优于RNN模型。由于注意力机制能够提升神经网络模型的性能,本文在双向GRU神经网络的基础上引入注意力机制,从而构建了Bi GRU-Attention模型。此模型结合了GRU的网络参数少、注意力机制强大的学习能力等优势,同时,使用双向的神经网络能更好的学习到序列间的相关信息。通过实验证明,Bi GRU-Attention模型在空气质量指数的预测任务中的预测精度更高,模型的RMSE和MAPE均小于LSTM和GRU模型。最后,本文通过三次对比实验研究了不同神经网络结构对预测效果的影响,为模型参数的优化提出了改进建议。