基于深度学习的人工智能空气质量预报系统构建

针对现有空气质量预报系统存在预报精度低、人工经验辅助、适用范围单一等问题,利用深度学习方法在分析数据内在特征方面表现出的优异性能,结合多源数据融合技术,设计了基于深度学习的空气质量预报系统实现方案。通过对多源数据集的实时制作更新、分析空气质量演变的时空特性、定义和拟合深度学习模型并部署于服务器等关键技术的研究,最终实现了空气质量的多尺度、高精度实时预报服务和预报结果可视化服务。应用结果表明,基于深度学习的空气质量预报系统具有更高的预报精度和更优良的应用效果,可提高预报效率,为空气质量预报服务提供一种新型、高效的实现方式。     

基于深度学习的空气质量预报方法新进展

空气质量预报与人们的日常生活密切相关,其基本思想是分析历史空气质量数据,发现其内在的时空相关性,结合未来气象信息以及污染源排放量,对未来的空气质量进行预测。目前,环境管理和社会公众服务对空气质量预报提出了长时间、多维度、高精度的预测要求,一些新型的空气质量预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广(特别是云计算与大数据的发展),深度学习这项基于传统人工神经网络的技术被国内外研究者所重视。笔者对现有典型的空气质量预报方法进行了阐述,包括数值预测模型方法、统计预报模型方法、基于机器学习模型的预测方法等,并重点介绍了该领域最新进展:基于深度学习模型的预测方法,并在此基础上进行了总结与展望。