劉旭林，趙文芳，唐 偉

1(北京市氣象探測中心，北京 100176)

2(北京城市氣象研究院，北京 100089)

3(北京市氣象信息中心，北京 100089)

4(中國氣象局發(fā)展研究中心，北京 100081)

E-mail：yoyozwf@sina.cn

1 引 言

PM2.5(fine particulate matter)是指一種懸浮于大氣中的空氣動力學(xué)直徑小于等于2.5μm的細顆粒物[1-3]，它是構(gòu)成霾的主要成分，其濃度越高，意味著霧霾污染越嚴(yán)重.霧霾天氣容易引起交通事故，引發(fā)多種呼吸道疾病，危害人類健康[4-7].近幾年，我國多地出現(xiàn)霧霾天氣，受到各級政府、部門及社會的廣泛關(guān)注.衡量霧霾污染程度的首要因子是PM2.5濃度，因此準(zhǔn)確預(yù)測PM2.5濃度對大氣污染防御、空氣質(zhì)量的監(jiān)測和政府決策都具有重要意義.

目前PM2.5的預(yù)測主要有數(shù)值模式法和統(tǒng)計學(xué)預(yù)報法.數(shù)值模式法廣泛應(yīng)用于氣象預(yù)報領(lǐng)域，主要基于空氣動力學(xué)理論和物理化學(xué)過程，使用數(shù)學(xué)方法建立大氣污染濃度的稀釋和擴散模型動態(tài)預(yù)測空氣質(zhì)量和主要污染物的濃度變化.國內(nèi)外常用的空氣質(zhì)量數(shù)值模式包括美國環(huán)保局研發(fā)的多尺度空氣質(zhì)量模式(The Community Multi-scale Air Quality，簡稱CMAQ)[8-11]，美國NOAA預(yù)報系統(tǒng)實驗室研發(fā)的WRF-Chem(Weather Research Forecast-Chemical)[12，13]，中國氣象局和中國氣象科學(xué)研究院研發(fā)的大氣化學(xué)模式(Chinese Unified Atmospheric Chemistry Environment，簡稱CUACE)[14]以及北京市氣象局研發(fā)的區(qū)域環(huán)境氣象數(shù)值預(yù)報系統(tǒng)(Beijing Regional Environmental Meteorology Pre-diction System，簡稱BREMPS)[15]等.這些模式通常依賴大量的計算，很多參數(shù)都是根據(jù)經(jīng)驗估計的，很多條件也是假定為理想狀態(tài)，因此存在一定的局限性和不確定性.此外，由于這些模式對空氣質(zhì)量數(shù)據(jù)和氣象數(shù)據(jù)的要求較高，相關(guān)數(shù)據(jù)往往很難獲取，所以數(shù)值模式方法在國內(nèi)大多城市并不成熟[16].

統(tǒng)計學(xué)預(yù)報法是利用統(tǒng)計學(xué)方法建立模型開展天氣預(yù)報，常用的方法有多元線性回歸、隨機森林、貝葉斯、支持向量機(Support Vector Machine，簡稱SVM)、神經(jīng)網(wǎng)絡(luò)等.基于這些算法建立的模型通常使用遺傳算法、粒子群算法和蟻群算法等優(yōu)化算法獲取最優(yōu)參數(shù).已有大量學(xué)者利用空氣質(zhì)量數(shù)據(jù)、氣象觀測數(shù)據(jù)和數(shù)值模式預(yù)報數(shù)據(jù)，應(yīng)用一種或多種統(tǒng)計學(xué)方法建立預(yù)測模型，對PM2.5濃度和其他污染物濃度進行預(yù)報[17-23].劉杰等提出應(yīng)用SVM和模糊?；瘯r間序列相結(jié)合預(yù)測PM2.5的方法；李龍等選擇綜合氣象指數(shù)、二氧化硫濃度、一氧化硫濃度、二氧化氮濃度和PM10濃度構(gòu)成特征向量，利用特征向量和PM2.5濃度數(shù)據(jù)應(yīng)用最小二乘支持向量機(Least Squares Support Vector Machine，簡稱LS-SVM)預(yù)測模型；戴李杰等聯(lián)合應(yīng)用支持向量機(SVM)和粒子群優(yōu)化(Particle Swarm Optimization，簡稱PSO)算法建立滾動預(yù)報模型，對PM2.5未來24小時濃度進行預(yù)報，同時對未來一天的晝、夜均值及日均值濃度進行預(yù)報；張恒德等將時間學(xué)列和卡爾曼濾波結(jié)合起來用在霧霾預(yù)報技術(shù)中.然而，除了氣象條件，污染物濃度還受排放量、交通條件、人口密度等因素的共同影響，使用單一統(tǒng)計方法很難建立準(zhǔn)確度高的預(yù)報模型.

深度學(xué)習(xí)是人工智能領(lǐng)域中一種新穎的機器學(xué)習(xí)方法，可以對大量輸入數(shù)據(jù)的特征表示進行有效學(xué)習(xí)，為氣象時間序列的預(yù)測提供了新的研究思路和方法.深度學(xué)習(xí)的主要神經(jīng)網(wǎng)絡(luò)模型主要有卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)、長短時記憶(Long Short Term Memory，LSTM)、對抗神經(jīng)網(wǎng)絡(luò)等，已有一些學(xué)者利用這些模型開展氣象預(yù)測的研究.Vidushi Chaudhary 等提出了一個多層的LSTM模型預(yù)測未來空氣污染物的濃度[24]；ZHAO等構(gòu)建了LSTM-FC預(yù)測模型，使用歷史空氣質(zhì)量數(shù)據(jù)、氣象數(shù)據(jù)和天氣預(yù)報數(shù)據(jù)預(yù)測未來48小時的PM2.5濃度[25].此外，還有一些學(xué)者將LSTM模型與特征空間相關(guān)性相結(jié)合應(yīng)用于PM2.5濃度預(yù)報，如：Congcong Wen等提出了一種新的時空卷積長短期記憶神經(jīng)網(wǎng)絡(luò)，將當(dāng)前站和近鄰站點PM2.5濃度數(shù)據(jù)經(jīng)過1維卷積運算后輸入到模型中[26]；SOH等提出LSTM預(yù)測模型，使用當(dāng)前站點和近鄰站的PM2.5濃度數(shù)據(jù)、氣象數(shù)據(jù)和地形數(shù)據(jù)，其中地形數(shù)據(jù)用以提取地形對空氣質(zhì)量的影響[27].這些模型各有自的特點和適用場景，但都是根據(jù)輸入數(shù)據(jù)對未來某個時間的PM2.5濃度進行預(yù)測，而氣象預(yù)測和服務(wù)都需要根據(jù)輸入的歷史序列數(shù)據(jù)預(yù)測未來多個時間的PM2.5濃度.Seq2Seq是一種根據(jù)輸入序列生成輸出序列的模型，輸入序列的長度和輸出序列的長度可以不同，主要應(yīng)用于機器翻譯和文本生成等應(yīng)用.已有文獻利用Seq2Seq模型應(yīng)用在語音識別、文本摘要、對話系統(tǒng)、圖像標(biāo)題生成中，但是將Seq2Seq模型應(yīng)用至PM2.5濃度預(yù)測的研究相對甚少.因此，本文選擇Seq2Seq進行建模，實現(xiàn)對未來多個時間段的PM2.5濃度預(yù)測.

綜上所述，基于PM2.5濃度預(yù)測的重要性和難度，考慮PM2.5濃度與氣象要素的時空相關(guān)性，本文將采用Seq2Seq建立PM2.5濃度預(yù)測模型，以歷史的空氣質(zhì)量觀測數(shù)據(jù)、氣象觀測數(shù)據(jù)和PM2.5濃度數(shù)據(jù)作為輸入，先進行卷積操作提取出空間特征，再將結(jié)果輸入Seq2Seq模型，進而得到最終的預(yù)測結(jié)果.

2 數(shù)據(jù)分析

2.1 北京地區(qū)霧霾天氣的季節(jié)變化趨勢

為了研究北京地區(qū)霧霾天氣的季節(jié)變化特征，收集了北京地區(qū)2008年-2018年所有國家級氣象站的觀測數(shù)據(jù)，計算每個站逐年霧霾天氣出現(xiàn)的總次數(shù)，統(tǒng)計每個季節(jié)所有站的季平均霧霾天氣出現(xiàn)次數(shù)，結(jié)果如圖1所示.可以看出，近10年在北京地區(qū)霧霾天氣出現(xiàn)的平均次數(shù)從春節(jié)到冬季呈現(xiàn)先下降后上升的趨勢，冬季發(fā)生霧霾天氣次數(shù)最高，夏季最低.從2008年到2014年，冬季出現(xiàn)霧霾天氣現(xiàn)象的次數(shù)逐年遞增，2014年之后則逐年下降，從側(cè)面反映了近幾年空氣污染治理取得了良好效果.春季和秋季出現(xiàn)霧霾天氣的次數(shù)比較接近，逐年變化也不大.

圖1 20個國家級氣象站逐年霾日數(shù)的季節(jié)變化趨勢

2.2 不同季節(jié)PM2.5濃度日內(nèi)逐小時變化特征

對所有氣象站的PM2.5濃度數(shù)據(jù)按春、夏、秋、冬季分類，然后在每個季節(jié)內(nèi)再按照觀測時間0到23點進行分類排序，計算所有站點各季節(jié)0點到23點逐小時PM2.5濃度均值，結(jié)果如圖2所示.可以看出，春季和冬季，PM2.5濃度從凌晨到半夜呈現(xiàn)先下降再上升趨勢，波峰集中出現(xiàn)在0點和23點，波谷出現(xiàn)在上午9時左右.冬季PM2.5濃度均值在各時間段都保持在65μg/m3，最高突破90μg/m3，春季PM2.5濃度均值在各時間起伏較大，傍晚最低值不到60μg/m3，而0點峰值達到86μg/m3.夏秋兩季，PM2.5濃度隨時間的變化均不大，夏季峰值出現(xiàn)在上午9時左右，秋季峰值出現(xiàn)在0點和22點，濃度先下降，在上午8時左右達到一個峰值，隨后下降傍晚最低，再呈現(xiàn)上升趨勢到22時到達最大.

圖2 不同季節(jié)的PM2.5濃度日內(nèi)逐小時變化趨勢

2.3 PM2.5濃度的相關(guān)性分析

對所有氣象站選出與之最臨近的12個站點，按距離由近及遠排序，逐一計算每個站點和最臨近12個站點之間的PM2.5濃度相關(guān)性，結(jié)果如圖3(a)所示，其中，橫坐標(biāo)為最臨近的12個站點，縱坐標(biāo)為PM2.5濃度相關(guān)性.可以看出，所有站點的PM2.5濃度相關(guān)性隨距離增加呈下降趨勢，大部分的站點與最臨近6個站點的PM2.5濃度相關(guān)性大于0.5，也有的站點與距離最近站點的PM2.5濃度相關(guān)性小于0.5.計算站點PM2.5濃度與不同氣象要素的相關(guān)性，結(jié)果如圖3(b)所示.可以看出，溫度、最高溫度、平均相對濕度、能見度與PM2.5濃度呈現(xiàn)正相關(guān)；2米風(fēng)、10米風(fēng)、極大風(fēng)速、小時降水量與PM2.5濃度呈負相關(guān)；PM10的濃度與PM2.5濃度相關(guān)性較強，而O3，SO2濃度與PM2.5濃度幾乎不相關(guān).

圖3 PM2.5濃度相關(guān)性分析

從以上的數(shù)據(jù)分析可以看出，北京霧霾天氣多發(fā)生在冬季和春季，PM2.5濃度小時峰值最容易出現(xiàn)在這兩個季節(jié)的凌晨和上午時間段.由于觀測站點分布的不均勻，PM2.5濃度不僅與站點之間距離存在相關(guān)性，還與不同氣象要素之間存在相關(guān)性，因此在建立預(yù)測模型時候必須充分考慮PM2.5濃度的時間相關(guān)性和空間相關(guān)性.

3 PM2.5預(yù)測模型

3.1 問題的描述

3.2 PM2.5濃度預(yù)測模型

Seq2Seq屬于encoder-decoder結(jié)構(gòu)的一種，基本思想就是利用兩個RNN，一個RNN作為encoder，另一個RNN作為decoder，實現(xiàn)從一個序列到另外一個序列的轉(zhuǎn)換.encoder負責(zé)將輸入序列壓縮成指定長度的向量，這個過程稱為編碼，decoder負責(zé)將encoder生成的固定向量再轉(zhuǎn)化成輸出序列，這個過程稱為解碼.

PM2.5濃度預(yù)測模型包含獲取空間特征的CNN與Seq2Seq模型，使用的數(shù)據(jù)包括北京市氣象局10個觀測站逐小時的空氣污染物濃度觀測資料、逐小時氣象要素觀測資料和北京地區(qū)網(wǎng)格化三維氣象要素客觀分析資料.本文選擇常用于序列模型的一維卷積來獲取與站點高度相關(guān)的短期空間特征.以站點為中心，從整個三維氣象要素客觀分析網(wǎng)格中取出10*10的子網(wǎng)格作為輸入，使用一維CNN分別獲取溫度、相對濕度、風(fēng)要素的空間特征.Seq2Seq模型包含兩個RNN，一個RNN作為encoder，另一個RNN作為decoder.站點在某個時刻的觀測數(shù)據(jù)、最臨近6個站的PM2.5濃度數(shù)據(jù)經(jīng)過預(yù)處理后與該站在這個時刻的空間特征作為當(dāng)前時刻的特征向量輸入到Encoder結(jié)構(gòu)，經(jīng)過運算得到輸出和隱含狀態(tài)；Encoder的輸出和隱含狀態(tài)與站點的目標(biāo)預(yù)測值作為當(dāng)前時刻的Decoder的輸入，經(jīng)過RNN運算得到預(yù)測結(jié)果.整個模型的結(jié)構(gòu)如圖4所示.

圖4 PM2.5濃度預(yù)測模型架構(gòu)

Chung等的研究成果指出，門控循環(huán)單元(Gated Recurrent Neural，簡稱GRU)在較小的數(shù)據(jù)集上比LSTM表現(xiàn)更突出，能更好解決RNN在長序列訓(xùn)練中爆炸或消失梯度的問題[28]，因此，本文選擇GRU作為Seq2Seq模型的RNN.另外，根據(jù)Geman等的研究，改變隱藏節(jié)點的數(shù)量可能會減少過度擬合和增加模型泛化.一個可能的經(jīng)驗法則是采取隱藏節(jié)點的數(shù)量為輸入層和輸出層維度總和的2/3[29，30].按照這個法則，如果使用過去72小時數(shù)據(jù)預(yù)測未來24小時PM2.5濃度，隱藏節(jié)點數(shù)量應(yīng)該設(shè)置為(72+24)*2/3=64，這個值也是大量文獻和研究中推薦使用的.與單層GRU相比，堆疊GRU可以增加模型的學(xué)習(xí)能力，但是網(wǎng)絡(luò)參數(shù)也會隨之增加，這對模型泛化能力和訓(xùn)練時間都有直接影響.考慮到樣本數(shù)總量，本文使用2層GRU結(jié)構(gòu)，每層有64個隱含節(jié)點.此外，為了防止過擬合，在Decoder結(jié)構(gòu)中使用比例為0.15的Dropout.

模型優(yōu)化算法選用Adam算法.為了評估模型的性能，使用均方根誤差(Root Mean Square Error，RMSE)、平均絕對誤差(Mean Absolute Error，MAE)和和平均絕對百分比錯誤(MAPE)作為評價指標(biāo).RMSE和MAE用于評估絕對誤差，而MAPE用于測量相對誤差.RMSE和MAE反映了預(yù)測的極值效應(yīng)和誤差范圍值，MAPE反映了平均值的特異性預(yù)測值.

3.3 模型算法流程

PM2.5預(yù)測模型算法的具體步驟如下：

1)提取站點的空間特征.以站點為中心，將原始的氣象要素客觀分析資料處理為10×10的子網(wǎng)格，按溫度、相對濕度、風(fēng)要素網(wǎng)格分別存儲.使用一維卷積操作這些子網(wǎng)格作提取不同要素的空間特征，作為站點在該觀測時刻的空間特征.

2)對站點的空氣污染物濃度和氣象要素觀測數(shù)據(jù)進行預(yù)處理.首先，計算每類數(shù)據(jù)的均值和方差，將均值在縮小而偏差在增大的數(shù)據(jù)從樣本集中剔除.其次，缺測值使用均值替代，再進行歸一化處理.最后，將它們與同一觀測時刻的空間特征進行組合，作為站點在該觀測時刻的特征向量.

3)數(shù)據(jù)融合與格式化，設(shè)置滑動時間窗口，生成用于訓(xùn)練和測試模型的時間序列數(shù)據(jù)，完成原始數(shù)據(jù)到張量的轉(zhuǎn)變.

4)訓(xùn)練CNN-Seq2Seq模型，得到最優(yōu)超參數(shù)和訓(xùn)練步長.

5)依據(jù)RMSE、MAE和MAPE指標(biāo)評估Seq2Seq模型的預(yù)測效果.

4 實驗及分析

4.1 實驗環(huán)境及數(shù)據(jù)

本文使用的實驗數(shù)據(jù)來源于北京市氣象局，分為3類，如表1所示.

表1 輸入LSTM模型的站點特征向量

Table 1 Input feature vectors of LSTM

字段名稱描述ID站號PM2.5PM2.5濃度PM10PM10濃度vis能見度tem平均氣溫tem_max最高氣溫tem_min最低氣溫win_2m2米風(fēng)速win_10m10米風(fēng)速win_max極大風(fēng)速pre小時降水rh相對濕度rh_max最大相對濕度prs平均氣壓

1)10個站點的逐小時觀測資料，包括PM2.5 濃度、 PM10濃度、能見度和氣象要素，數(shù)據(jù)每小時更新一次，具體見表1；

2)北京地區(qū)的網(wǎng)格化三維氣象要素客觀分析資料，空間分辨率為1公里，每小時更新一次；主要包括溫度、風(fēng)和相對濕度要素；

3)與每個站點最臨近K個站點的PM2.5濃度數(shù)據(jù)，每小時更新一次.

原始數(shù)據(jù)經(jīng)過預(yù)處理后生成序列數(shù)據(jù)集，其中每個時間序列數(shù)據(jù)由45個特征向量組成，每個樣本則包含96個時間序列(輸入72，輸出24)數(shù)據(jù)，批量訓(xùn)練一次輸入64個樣本.數(shù)據(jù)集的時間跨度為2016年-2018年，其中80%的數(shù)據(jù)用來訓(xùn)練模型，20%的數(shù)據(jù)用來驗證模型，測試集的時間跨度為2018年10月-12月.

4.2 Seq2Seq模型關(guān)鍵參數(shù)調(diào)優(yōu)

在參考大量文獻的基礎(chǔ)上，本文中對模型中的部分關(guān)鍵參數(shù)做出了合理的設(shè)定：隱藏層為2層，每層隱藏神經(jīng)元個數(shù)為64，學(xué)習(xí)率為10-3，衰減率為0.995，參數(shù)初始化范圍設(shè)置為[-0.08，0.08]，模型優(yōu)化算法選用Adam算法.過大的訓(xùn)練步長會引起模型對訓(xùn)練數(shù)據(jù)過度擬合，也會消耗更多的時間，而過小的步長容易引起局部最優(yōu)，因此，訓(xùn)練步長參數(shù)需要通過測試找到最優(yōu)值.圖5顯示了訓(xùn)練集和驗證集數(shù)據(jù)的MAPE隨訓(xùn)練步長的變化.訓(xùn)練集和驗證集上，MAPE誤差都隨迭代次數(shù)增加逐步減少.迭代次數(shù)超過3000左右時，該模型似乎過度適應(yīng)，不僅泛化能力沒有改善，而且還出現(xiàn)微弱波動.因此，設(shè)置迭代步長為3000.

圖5 MAPE隨步長變化趨勢

4.3 實驗中使用的幾種模型

為了方便模型之間的對比，除了CNN-Seq2Seq，本文還設(shè)計了以下幾種模型：基于機器學(xué)習(xí)的SVR模型、Just-Seq2Seq模型和Local-Seq2Seq模型.SVR廣泛用于分類或者回歸目的，在小樣本、非線性、高維模式識別等問題的解決上表現(xiàn)出許多特有優(yōu)勢，具有較好的泛化能.本文使用的SVR模型參考文獻[31]調(diào)整參數(shù)，以獲得最佳性能.Just-Seq2Seq和Local-Seq2Seq結(jié)構(gòu)與CNN-Seq2Seq的Seq2Seq部分完全相同，使用同樣的超參數(shù)，輸入序列長度也都相同，只是序列數(shù)據(jù)中包含的特征向量不同.Just-Seq2Seq模型的輸入僅包含用于生成時間特征的特征向量，而local-Seq2Seq模型的輸入僅包含站點自身的觀測數(shù)據(jù)，和最臨近K個站的數(shù)據(jù)，這里K取值為6.

4.4 實驗結(jié)果與分析

4.4.1 幾種模型預(yù)測的誤差分析

基于驗證集，選擇RMSE、MAE和MAPE對SVR、Just-Seq2Seq、local-Seq2Seq和CNN-Seq2Seq這4個模型的預(yù)測結(jié)果進行評價.表2列出了4個模型對10個站點預(yù)測得到的整體精度.可以看出，盡管三個深度學(xué)習(xí)模型各項指標(biāo)較接近，CNN-Seq2Seq模型預(yù)測效果仍最佳，在兩個指標(biāo)中均優(yōu)于所有其他模型.相比僅使用本站觀測數(shù)據(jù)的Local-Seq2Seq模型，對于PM2.5濃度，CNN-Seq2Seq對MAPE和RMSE的改進分別至少提高15.38%和26.48%.圖6(a)～圖6(b)顯示了四個模型在10個站上的RMSE和MAE誤差分布情況.CNN-Seq2Seq在十個站上的RMSE在[15，24]范圍區(qū)間，MAE在[11，16]范圍區(qū)間；Just-Seq2Seq在十個站上的RMSE在[20，38]區(qū)間，MAE在[11，25]范圍區(qū)間，僅有1個站的RMSE小于25；而Local-Seq2Seq模型的RMSE和MAE分布與Just-Seq2Seq類似，峰值比Just-Seq2Seq略高；SVR模型的預(yù)測誤差明顯高于其他三個深度學(xué)習(xí)的模型.參考前人基于深度學(xué)習(xí)的PM2.5小時濃度預(yù)測研究，當(dāng)RMSE≤25、MAE≤15時，可以認為模型的預(yù)測效果較為理想，由此可見，CNN-Seq2Seq模型的預(yù)測效果是4個模型中最好的.

表2 不同模型預(yù)測結(jié)果的誤差比較

Table 2 Error comparison among different prediction models

模型MAPERMSESVR55.1945.79Just-Seq2Seq32.2321.42Local-eq2Seq Seq2Seq35.2524.87CNN-Seq2Seq29.8317.55

圖6 不同模型在10個站點上的PM2.5濃度預(yù)測誤差對比

4.4.2 不同深度學(xué)習(xí)模型的預(yù)測結(jié)果比較分析

從SVR、Just-Seq2Seq、local-Seq2Seq和CNN-Seq2Seq4個模型在驗證數(shù)據(jù)集上的預(yù)測的誤差分布可看出，三個深度學(xué)習(xí)模型的誤差均比SVR模型小，因此，在測試集上，僅對三個深度模型的預(yù)測準(zhǔn)確性進行對比.選擇2018年11月30日-12月3日霧霾天氣過程為例，CNN-Seq2Seq模型、Just-Seq2Seq和Local-Seq2Seq模型下的ID為10的站點PM2.5逐小時濃度預(yù)測曲線隨時間的變化如圖7所示.由圖7可知，三種模型的預(yù)測曲線與實際觀測曲線的趨勢都基本保持一致.CNN-Seq2Seq模型的預(yù)測曲線與實際觀測曲線最為接近，尤其是在濃度波峰附近，表明該模型能較好的對PM2.5小時濃度峰值進行預(yù)測，這對PM2.5濃度的短時預(yù)測有著十分積極的作用.Just-Seq2Seq模型的預(yù)報曲線在PM2.5濃度波谷部分擬合有波動，對未來48小時后PM2.5濃度的預(yù)測偏離較大，預(yù)測效果不理想.local-Seq2Seq模型的預(yù)報曲線起伏最大，對PM2.5濃度峰值的預(yù)測值比實際觀測值偏大較多，和實際觀測曲線偏離較大.相比之下，CNN-Seq2Seq模型預(yù)測效果最好.

圖7 不同模型預(yù)測逐小時PM2.5濃度的誤差對比

由此可見，對于PM2.5未來24小時內(nèi)的逐時濃度預(yù)測而言，考慮時空特征模型的準(zhǔn)確度最高，包含周邊鄰近站點數(shù)據(jù)的時間序列模型的準(zhǔn)確度高于僅考慮站點自身的時序模型，這說明空間相關(guān)性對PM2.5濃度預(yù)測很重要.

5 結(jié)束語

本文在分析北京地區(qū)PM2.5濃度隨季節(jié)變化規(guī)律、逐日變化趨勢以及氣象要素與PM2.5濃度相關(guān)性基礎(chǔ)上，提出了一種使用深度學(xué)習(xí)模型進行預(yù)測的方法，利用PM2.5觀測實況數(shù)據(jù)和多種氣象實況資料，建立CNN-Seq2Seq預(yù)測模型對PM2.5未來24小時的逐時濃度進行預(yù)測.通過幾個模型預(yù)測結(jié)果和誤差的對比表明，CNN-Seq2Seq預(yù)測模型能有效的獲取時空特征，適合解決時空序列數(shù)據(jù)的短時預(yù)測問題.在后續(xù)的研究中，將接入氣象數(shù)值模式預(yù)報產(chǎn)品和氣象格點預(yù)報產(chǎn)品，通過多種模型的對比分析，進一步提高模型的效率和精度.