考虑周期性的深度学习臭氧预测模型研究——以珠三角为例

构建了一种长短时记忆神经网络(LSTM)和全连接神经网络(FC)结合的臭氧(O 3)预测模型(LSTM-FC),并考虑O 3质量浓度的周期性变化规律,以珠三角为例,实现了对其进行高精度预测的目标。结果表明:(1)考虑周期性的LSTM-FC模型24 h预测结果的均方根误差(RMSE)为16.08μg/m^(3),决定系数(R^(2))可达0.82,相比未考虑周期性的模型,精度提升了32.28%。(2)考虑周期性的LSTM-FC模型对O 3质量浓度低值部分能够取得更精确的预测结果,对高值部分低估的现象改善效果显著。考虑周期性后,大于《环境空气质量标准》(GB 3095—2012)中O 31 h平均质量浓度一、二级限值的预测结果均得到了一定改善,RMSE分别下降了18.71%和34.90%,R 2分别提升了40.42%和134.04%。研究结果表明,考虑周期性的LSTM-FC模型在O 3预测方面具有良好的拓展性和应用潜力。