联合Transformer注意力机制的PM2.5浓度预测网络研究 |
| |
引用本文: | 刘恩海,付英健,张智,李妍,赵娜,张军.联合Transformer注意力机制的PM2.5浓度预测网络研究[J].安全与环境学报,2023(10):3760-3768. |
| |
作者姓名: | 刘恩海 付英健 张智 李妍 赵娜 张军 |
| |
作者单位: | 1. 河北工业大学人工智能与数据科学学院;2. 河北省气象灾害防御和环境气象中心 |
| |
基金项目: | 河北省高等学校科学技术研究项目(ZD2021311); |
| |
摘 要: | 应用深度学习技术进行PM2.5浓度预测方法的研究,提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块,高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM2.5浓度数据开展预报试验,结果表明,相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM2.5浓度的时空相关性,具有更优预测性能。
|
关 键 词: | 环境学 PM2.5浓度预测 Transformer注意力机制 时空建模 |
|
|