曹通 白艷萍

摘 要：為了探索特殊情況下太原市空氣質(zhì)量預(yù)測(cè)和評(píng)價(jià)方法，采用基于灰色關(guān)聯(lián)度法的模糊綜合評(píng)價(jià)方法對(duì)太原市疫情防控前后的空氣質(zhì)量進(jìn)行評(píng)價(jià)，對(duì)相關(guān)聯(lián)的污染物濃度變化進(jìn)行分析，并以太原市AQI監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，結(jié)合長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）以及隨機(jī)梯度下降算法（Adam）建立了太原市空氣質(zhì)量預(yù)測(cè)模型（即Adam-LSTM模型），并與LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行了比較。結(jié)果顯示，在啟動(dòng)一級(jí)應(yīng)急響應(yīng)加強(qiáng)防控后，太原市的整體空氣質(zhì)量得到改善，個(gè)別污染物由于氣象及春節(jié)等因素未降低，LSTM模型和Adam-LSTM模型預(yù)測(cè)結(jié)果的均方根誤差和訓(xùn)練速度分別為0.203 s和12.15 s，0.183 s和10.35 s。提出的Adam優(yōu)化算法能夠有效提高LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度，同時(shí)具有較小的預(yù)測(cè)誤差，可為環(huán)保部門制定提升空氣質(zhì)量相關(guān)決策提供數(shù)據(jù)支持和方法借鑒。

關(guān)鍵詞：應(yīng)用數(shù)學(xué);灰色關(guān)聯(lián);模糊綜合評(píng)價(jià);Adam;LSTM;空氣質(zhì)量預(yù)測(cè)

中圖分類號(hào)：O29;TP39;X823?? 文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.7535/hbgykj.2021yx02013

Air quality analysis and prediction before and after the prevention

and control of COVID-19 in Taiyuan

CAO Tong1，2， BAI Yanping1，2

（1.School of Science， North University of China， Taiyuan， Shanxi 030051， China;

2.Modern Optimization Algorithm Laboratory， North University of China，Taiyuan， Shanxi 030051， China ）

Abstract：

In order to explore the prediction and evaluation methods of air quality under special circumstances in Taiyuan， the air quality trend before and after the prevention and control of COVID-19 in Taiyuan was evaluated and the changes of related pollutant concentrations were analyzed by using the fuzzy comprehensive evaluation method based on grey correlation method. On the basis of the AQI monitoring data of Taiyuan， Long Short-Term Memory （LSTM） loop neural network and the stochastic gradient descent algorithm（Adam）， the Taiyuan air quality prediction model （Adam-LSTM model） was established， and the prediction results were compared with that of LSTM model. The results show that the air quality of Taiyuan is improved after the start of the first level emergency response， and some pollutants are not reduced due to meteorological and Spring Festival factors.The root mean square error and training speed of LSTM and Adam-LSTM model are 0.203 s and 12.15 s， 0.183 s and 10.35 s， respectively. It shows that the proposed Adam optimization algorithm can effectively improve the training accuracy and convergence speed of LSTM model. With relatively small prediction errors， it can provide data support and prediction methods for environmental protection departments to make related air quality decisions.

Keywords：

applied mathematics; grey correlation; fuzzy comprehensive evaluation method; Adam; LSTM; air quality prediction

鐘南山院士曾于2016年在醫(yī)學(xué)權(quán)威雜志《柳葉刀》上刊發(fā)了一篇文章，重點(diǎn)闡述了空氣污

染對(duì)呼吸道疾病的嚴(yán)重影響[1]。尤其每到冬季，北方很多城市污染加重，霧霾天氣高頻出現(xiàn)，不僅威脅著人們的身體健康，而且也給人們?nèi)粘３鲂谢顒?dòng)帶來(lái)了極大的困擾。為了更好地對(duì)空氣污染進(jìn)行監(jiān)控和治理，科學(xué)有效地對(duì)空氣質(zhì)量進(jìn)行分析預(yù)測(cè)具有重要意義。2020年初，新冠疫情爆發(fā)，山西省啟動(dòng)重大突發(fā)公共衛(wèi)生事件一級(jí)響應(yīng)，太原市采取企業(yè)停工、機(jī)動(dòng)車停駛等一系列舉措，人們發(fā)現(xiàn)2020年2月份太原市的空氣質(zhì)量明顯好于以往。因此，可將這次疫情防控時(shí)期作為進(jìn)一步探究影響城市空氣質(zhì)量變化主要因素的良好時(shí)間段。

近年來(lái)，國(guó)內(nèi)外都越來(lái)越重視對(duì)空氣質(zhì)量的研究，不斷開展對(duì)空氣質(zhì)量的分析評(píng)價(jià)及預(yù)測(cè)。伊元榮等[2]提出用灰色聚類法對(duì)烏魯木齊市（簡(jiǎn)稱烏市，下同）空氣質(zhì)量狀況進(jìn)行了研究，結(jié)果表明烏市大氣質(zhì)量狀況變化總體較穩(wěn)定并向清潔程度發(fā)展，但建立的白化函數(shù)易使評(píng)價(jià)結(jié)果出現(xiàn)偏差。普映娟等[3]用指數(shù)評(píng)價(jià)法對(duì)保山市的空氣質(zhì)量進(jìn)行了評(píng)價(jià)，評(píng)價(jià)結(jié)果和實(shí)際環(huán)境情況比較吻合，但指數(shù)評(píng)價(jià)法只適用于短期評(píng)價(jià)。潘本鋒等[4]用層次分析賦權(quán)法對(duì)城市的空氣質(zhì)量進(jìn)行了排名，反映了不同城市間的空氣質(zhì)量狀況差異，但用絕對(duì)值計(jì)算標(biāo)度，得到的結(jié)果誤差較大。在空氣質(zhì)量預(yù)測(cè)方面，牟敬鋒等[5]建立ARIMA模型對(duì)深圳市空氣質(zhì)量指數(shù)進(jìn)行了預(yù)測(cè)，取得良好的預(yù)測(cè)效果，但是隨著天數(shù)增多，預(yù)測(cè)精度將大大下降。唐之享[6]通過(guò)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)空氣污染物數(shù)值的統(tǒng)計(jì)規(guī)律實(shí)現(xiàn)對(duì)空氣質(zhì)量的預(yù)測(cè)，但是BP易出現(xiàn)過(guò)擬合及局部最小化問(wèn)題。鄭洋洋等[7]利用SARIMA-SVR組合預(yù)測(cè)模型得到的空氣質(zhì)量預(yù)測(cè)結(jié)果精度較高，穩(wěn)定性較好。張冬雯等[8]針對(duì)空氣質(zhì)量研究中預(yù)測(cè)精度低的問(wèn)題，提出了基于LSTM的神經(jīng)網(wǎng)絡(luò)模型對(duì)DELHI市和HOUSTON市的空氣質(zhì)量進(jìn)行了預(yù)測(cè)，有效提高了預(yù)測(cè)精度。

為了解決上述研究中所存在的問(wèn)題，本文提出用基于灰色關(guān)聯(lián)度法的模糊綜合評(píng)價(jià)法和基于Adam優(yōu)化的LSTM時(shí)間序列預(yù)測(cè)模型對(duì)太原市空氣質(zhì)量變化趨勢(shì)進(jìn)行評(píng)價(jià)及預(yù)測(cè)，為太原市大氣污染評(píng)價(jià)與治理提供參考。

1 模糊灰色關(guān)聯(lián)綜合評(píng)價(jià)法

1.1 評(píng)價(jià)方法分析

模糊綜合評(píng)價(jià)法[9]與較為常用的空氣質(zhì)量評(píng)價(jià)方法相比，能較好地滿足大氣中各種污染因子的隨機(jī)性和模糊性，得到的評(píng)價(jià)結(jié)果更為清晰。但是，在評(píng)價(jià)過(guò)程中得到的權(quán)重過(guò)于片面，會(huì)導(dǎo)致評(píng)價(jià)的結(jié)果偏差過(guò)大。而灰色關(guān)聯(lián)度法[10]是一種科學(xué)高效的方法，它采取對(duì)現(xiàn)有實(shí)際數(shù)據(jù)合理的處理，達(dá)到對(duì)系統(tǒng)發(fā)展趨勢(shì)的科學(xué)描述，繼而明確權(quán)重值，可以解決結(jié)果偏差過(guò)大的問(wèn)題。因此，本文對(duì)太原市空氣質(zhì)量的評(píng)價(jià)采用基于灰色關(guān)聯(lián)度法的模糊綜合評(píng)價(jià)法，通過(guò)將灰色關(guān)聯(lián)度思想和專家評(píng)判法相融合以增加確定評(píng)價(jià)指標(biāo)權(quán)重的客觀準(zhǔn)確性，從而作出更為精準(zhǔn)的評(píng)價(jià)。

1.2 評(píng)價(jià)步驟

1.2.1 確定因子集

設(shè)空氣質(zhì)量評(píng)價(jià)有n個(gè)評(píng)價(jià)因子，確定因子集U=u1，u2，…，ui，…，un，其中ui（i=1，…，6）表示PM2.5，PM10，SO2，NO2，CO和O3這六個(gè)關(guān)鍵性的評(píng)價(jià)因子。

1.2.2 確定評(píng)語(yǔ)集

確定評(píng)語(yǔ)集V=v1，v2，…，vk，…，vj，在這里空氣質(zhì)量評(píng)價(jià)的結(jié)果分別表現(xiàn)為優(yōu)、良、輕度、中度、重度和嚴(yán)重。

1.2.3 確定隸屬函數(shù)

根據(jù)《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB 3095—2012），確立隸屬度矩陣Ut=uijtM×N，uij代表了第i種因子對(duì)于第j級(jí)空氣質(zhì)量的隸屬度。

1.2.4 灰色關(guān)聯(lián)度法求解因素權(quán)重

確定完評(píng)判矩陣R和因子權(quán)向量W后，得到最后的空氣質(zhì)量綜合評(píng)價(jià)結(jié)果矩陣為

B=At·Ut=AtUt=

B1t，B2t，…，BNt。（1）

2 LSTM遞歸神經(jīng)網(wǎng)絡(luò)

LSTM[11]是以RNN[12]為基石，采用“門”結(jié)構(gòu)解決序列數(shù)據(jù)問(wèn)題的改進(jìn)后循環(huán)神經(jīng)網(wǎng)絡(luò)，每個(gè)數(shù)據(jù)段與前一段有一定的相關(guān)性。由于前一時(shí)刻的信息神經(jīng)元將與當(dāng)前的信息神經(jīng)元相連，利用LSTM內(nèi)部的門可以解決對(duì)數(shù)據(jù)的長(zhǎng)期依賴。因此，LSTM擁有很強(qiáng)的記憶能力，可以更為高效地處理時(shí)間序列的預(yù)測(cè)及分類。而空氣質(zhì)量數(shù)據(jù)是通過(guò)指定時(shí)間點(diǎn)定時(shí)監(jiān)測(cè)到的時(shí)間序列數(shù)據(jù)，未來(lái)的空氣質(zhì)量數(shù)據(jù)和其歷史數(shù)據(jù)有著較強(qiáng)的關(guān)聯(lián)性，因此，LSTM適用于對(duì)空氣質(zhì)量進(jìn)行預(yù)測(cè)[13]。

在LSTM中，每個(gè)神經(jīng)元包含3個(gè)門：輸入門、遺忘門和輸出門。輸入門是確定在神經(jīng)元狀態(tài)下要記住哪些新的信息內(nèi)容。遺忘門是確定要從單元狀態(tài)中忘記哪些數(shù)據(jù)信息。輸出門是確定在神經(jīng)元狀態(tài)下要輸出哪些信息。具體如圖1所示。

核心算法公式如下：

ft=σWfht-1，xt+bf，（2）

St=11+e-t，（3）

Ct=ft·Ct+it·C～t，（4）

it=σWi·ht-1，xt+bi，（5）

C～t=tanhWC·ht-1，xt+bC，（6）

Ot=σW0·ht-1，xt+b0，（7）

ht=Ot·tanhCt。（8）

3 Adam算法

自適應(yīng)矩估計(jì)算法[14]（adaptive moment estimation，Adam）是AdaGrad 和RESProp算法的結(jié)合，它作為一個(gè)搜索系統(tǒng)最優(yōu)化目標(biāo)的算法，加入了二次方梯度改良，不僅對(duì)原始平方梯度的指數(shù)減弱平均值加以保存，還維系了原始梯度的指數(shù)減弱平均值，能夠?qū)Ω鲄?shù)的自適應(yīng)學(xué)習(xí)率進(jìn)行計(jì)算，較適合優(yōu)化LSTM模型，同時(shí)適用于像空氣質(zhì)量這樣的較大數(shù)據(jù)集，可以利用類似權(quán)值的參數(shù)降低LSTM對(duì)空氣質(zhì)量的預(yù)測(cè)誤差，進(jìn)而提高LSTM預(yù)測(cè)模型的精度。

Adam更新參數(shù)方法如下。

隨機(jī)挑選x（1），x（2），…，x（i），…，x（m）m個(gè)樣本，x（i）對(duì)應(yīng)y（i），計(jì)算fθ對(duì)θ的梯度：

gt←1mSymbolQC@θt-1∑iLftx（i）;θt-1，y（i）。（9）

計(jì)算一階矩及梯度二階距：

mt←β1·mt-1+1-β1·gt，（10）

vt←β2·r+1-β2·g2t。（11）

修正一階矩mt，二階矩vt：

m^t←mt1-βt1，

v^t←v^

t1-βt2。（12）

最后可得參數(shù)更新公式：

Δθt← -ηmt^v^t+δ，θt←θt-1+Δθt。（13）

4 實(shí)驗(yàn)與分析

4.1 空氣質(zhì)量評(píng)價(jià)結(jié)果與分析

4.1.1 數(shù)據(jù)來(lái)源及預(yù)處理

本次空氣質(zhì)量評(píng)價(jià)的數(shù)據(jù)來(lái)源于中華人民共和國(guó)環(huán)保部數(shù)據(jù)中心實(shí)時(shí)發(fā)布的有關(guān)太原市空氣質(zhì)量數(shù)據(jù)，取樣時(shí)間為2019-12-25至2020-01-24日疫情防控前的時(shí)間段以及2020-01-25至2020-02-24一級(jí)應(yīng)急響應(yīng)防控期間，數(shù)據(jù)共計(jì)62組。依照最新發(fā)布的《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB 3095—2012），本文的空氣質(zhì)量評(píng)價(jià)采用細(xì)顆粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）和一氧化碳（CO）這6項(xiàng)與AQI密切相關(guān)的指標(biāo)，評(píng)價(jià)等級(jí)劃分為優(yōu)、良、輕度污染、中度污染、重度污染、嚴(yán)重污染6個(gè)等級(jí)，空氣質(zhì)量指數(shù)級(jí)別分布如表1所示。

本次空氣質(zhì)量評(píng)價(jià)的各個(gè)指標(biāo)值都不在一個(gè)維度上，因此利用MATLAB中的mapminmax函數(shù)對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。通過(guò)多次的仿真實(shí)驗(yàn)，發(fā)現(xiàn)歸一化區(qū)間設(shè)置為[0，1]時(shí)，空氣質(zhì)量的評(píng)價(jià)效果最好。

4.1.2 評(píng)價(jià)結(jié)果分析

按照本文所述評(píng)價(jià)模型對(duì)2019-12-25到2020-01-24太原市實(shí)施強(qiáng)管控措施前以及2020-1-25至2020-02-24太原市實(shí)施強(qiáng)管控措施期間的空氣質(zhì)量進(jìn)行評(píng)價(jià)，可得影響空氣質(zhì)量的各污染因子影響程度，如圖2所示。

從圖2可以看出，在2020-01-25到2020-02-24，太原市實(shí)施強(qiáng)管控措施后，SO2的污染程度明顯降低，PM2.5和PM10的污染程度略顯降低，NO2和CO的污染程度基本和之前持平。對(duì)這一時(shí)期的空氣質(zhì)量進(jìn)行評(píng)價(jià)，結(jié)果如圖3所示。

從圖3的空氣質(zhì)量評(píng)價(jià)結(jié)果可以看出，在太原市一級(jí)應(yīng)急響應(yīng)前，太原市的空氣質(zhì)量主要處于三級(jí)到六級(jí)的等級(jí)標(biāo)準(zhǔn)，而在一級(jí)應(yīng)急響應(yīng)的1個(gè)月，太原市的空氣質(zhì)量指數(shù)級(jí)別（以下簡(jiǎn)稱空氣質(zhì)量等級(jí)，下同）明顯下降，主要處于一級(jí)到三級(jí)的等級(jí)標(biāo)準(zhǔn)。通過(guò)對(duì)圖2和圖3的綜合分析，可以看出，在太原市一級(jí)應(yīng)急響應(yīng)疫情防控加強(qiáng)期間，人們居家隔離，減少機(jī)動(dòng)車輛出行，以及春節(jié)期間各工廠停工，對(duì)空氣質(zhì)量的好轉(zhuǎn)起到一定成效。但是受季節(jié)、氣象等因素（包括春節(jié)期間煙花爆竹的燃燒[15]以及供暖燃煤等）的影響，其他污染物的影響并未下降?？偟膩?lái)說(shuō)，大面積的居家隔離和出行、生產(chǎn)行為的減少對(duì)太原市空氣質(zhì)量的改善起到了積極作用，當(dāng)然上述的分析仍需要更多的證據(jù)加以佐證。

4.2 基于Adam-LSTM的空氣質(zhì)量預(yù)測(cè)模型

4.2.1 數(shù)據(jù)來(lái)源及分析

本次預(yù)測(cè)數(shù)據(jù)同樣來(lái)源于中華人民共和國(guó)環(huán)保部數(shù)據(jù)中心實(shí)時(shí)發(fā)布的太原市空氣質(zhì)量數(shù)據(jù)，取樣時(shí)間為2016-01-01至2020-02-29，數(shù)據(jù)共計(jì)1 522組。AQI的歷史序列值具備著特性明顯的周期性，同時(shí)季節(jié)變化極其鮮明。此外它的歷史序列值存在著線性和非線性分量[16]。對(duì)于通常的預(yù)測(cè)模型而言，它們對(duì)AQI數(shù)值的預(yù)測(cè)效果沒(méi)那么明顯。對(duì)此，本文使用Adam優(yōu)化后的LSTM時(shí)間序列模型對(duì)空氣質(zhì)量的等級(jí)進(jìn)行預(yù)測(cè)，為進(jìn)一步精確預(yù)測(cè)AQI的走向提供了切實(shí)有效的參考依據(jù)。

4.2.2 模型的實(shí)現(xiàn)過(guò)程

基于Adam-LSTM空氣質(zhì)量預(yù)測(cè)模型的建模過(guò)程如下。

1）獲取AQI序列，依據(jù)預(yù)測(cè)要求，對(duì)AQI序列劃分窗口。經(jīng)歸一化處理將數(shù)據(jù)標(biāo)準(zhǔn)化，并建立LSTM預(yù)測(cè)模型。

2）利用Adam算法訓(xùn)練LSTM，預(yù)測(cè)下一個(gè)窗口的值，輸出值與真實(shí)值間的誤差會(huì)反向影響參數(shù)值，伴隨著每次輸入，誤差會(huì)以一定的速度下降，直至達(dá)到期望值。通過(guò)Adam算法在此階段進(jìn)行優(yōu)化，提高模型的收斂速度。

3）預(yù)測(cè)窗口向后滑動(dòng)推進(jìn)，通過(guò)每次迭代降低歷史序列中的隨機(jī)波動(dòng)影響，以達(dá)到更精確的預(yù)測(cè)。

模型實(shí)現(xiàn)過(guò)程的流程圖如圖4所示。

4.2.3 預(yù)測(cè)結(jié)果及分析

鑒于超過(guò)6天的AQI數(shù)據(jù)對(duì)第7天的AQI數(shù)據(jù)影響較小，因此模型利用前6天AQI數(shù)據(jù)對(duì)第

7天的AQI數(shù)據(jù)進(jìn)行預(yù)測(cè)，向后滑動(dòng)推進(jìn)進(jìn)行優(yōu)

化預(yù)測(cè)。本文首先用LSTM進(jìn)行預(yù)測(cè)，再將其與Adam-LSTM預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。經(jīng)過(guò)迭代訓(xùn)練后，得到2種預(yù)測(cè)模型的Error-Cost散點(diǎn)圖，如圖5所示。

從圖5中可知，2種模型在迭代過(guò)程中，隨著迭代次數(shù)增加，均方誤差都不斷降低，且在結(jié)束10次迭代后，均方誤差都達(dá)到最低?？梢钥闯鯝dam-

LSTM模型的預(yù)測(cè)性能要優(yōu)于LSTM模型，說(shuō)明Adam算法優(yōu)化后的LSTM模型具有更高的預(yù)測(cè)精度。

表2列出了2種模型的預(yù)測(cè)誤差指標(biāo)，即均方根誤差（RMSE）可以用來(lái)判斷模型的預(yù)測(cè)精度，由表2可得Adam-LSTM模型的RMSE值為0.183，低于LSTM模型的RMSE值0.203，也說(shuō)明了Adam優(yōu)化后的LSTM在預(yù)測(cè)精度上有了明顯的提升，可以作為一種有效的預(yù)測(cè)方法。

將2種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果和真實(shí)值進(jìn)行對(duì)比，如圖6和圖7所示，

從圖6和圖7中可以看出，Adam優(yōu)化后的LSTM模型對(duì)原始數(shù)據(jù)的擬合度比LSTM模型好，預(yù)測(cè)效果也更好。

根據(jù)圖7預(yù)測(cè)結(jié)果可得，后者預(yù)測(cè)的太原市的空氣質(zhì)量等級(jí)幾乎接近于實(shí)際值，且真實(shí)等級(jí)和預(yù)測(cè)等級(jí)基本符合同一波動(dòng)，預(yù)測(cè)精度較好，具有較高的精準(zhǔn)度。但是該預(yù)測(cè)模型對(duì)于空氣質(zhì)量等級(jí)的預(yù)測(cè)依舊存在一定的誤差，這需要更進(jìn)一步的研究探索。另外通過(guò)污染等級(jí)預(yù)測(cè)模型的曲線走勢(shì)不難看出，在2016年-2020年，AQI的變化呈現(xiàn)出先降后增的趨勢(shì)，在時(shí)間線上正好對(duì)應(yīng)了每一年的年初與年末，這一關(guān)鍵信息對(duì)于太原市空氣污染的整體防控和治理也提供了事實(shí)理論參照。

5 結(jié) 語(yǔ)

本文針對(duì)太原市疫情防控期前后的空氣質(zhì)量的評(píng)價(jià)問(wèn)題，構(gòu)建了基于灰色關(guān)聯(lián)度法的模糊綜合評(píng)價(jià)模型，并在空氣質(zhì)量評(píng)價(jià)的基礎(chǔ)上，針對(duì)空氣質(zhì)量等級(jí)的預(yù)測(cè)問(wèn)題，分別構(gòu)建了LSTM模型和Adam-LSTM時(shí)間序列預(yù)測(cè)模型。

1）根據(jù)基于灰色關(guān)聯(lián)度法的模糊綜合評(píng)價(jià)模型所得的評(píng)價(jià)結(jié)果不僅可以反映空氣質(zhì)量中污染濃度較高的污染物因子，而且也能反映其他濃度較小的污染物的變化情況。該模型的結(jié)果對(duì)太原市空氣質(zhì)量的評(píng)價(jià)是遵循事實(shí)依據(jù)的，結(jié)果顯示疫情期間太原市采取嚴(yán)控措施后，空氣污染水平顯著降低。

2）根據(jù)LSTM和Adam-LSTM時(shí)間序列預(yù)測(cè)模型預(yù)測(cè)的結(jié)果，可知2種模型都能夠有效地捕捉大氣污染的長(zhǎng)期時(shí)間機(jī)制，可以從AQI歷史數(shù)據(jù)中提取有用的內(nèi)在特征，預(yù)測(cè)效果符合預(yù)期，可以為太原市居民們的出行提供健康指導(dǎo)。與LSTM模型相比，Adam優(yōu)化后的LSTM時(shí)間序列預(yù)測(cè)模型通過(guò)類似權(quán)值的參數(shù)降低了LSTM模型的預(yù)測(cè)誤差，預(yù)測(cè)精度更高。

本研究成果可為太原市長(zhǎng)期的空氣污染防治攻堅(jiān)行動(dòng)提供決策支持。

但研究也存在不足之處，本文所選取的樣本數(shù)據(jù)，僅限于疫情防控前后的時(shí)間段，若再選取歷年未發(fā)生新冠肺炎的春節(jié)期間數(shù)據(jù)進(jìn)行評(píng)價(jià)對(duì)比，則會(huì)更有說(shuō)服力，并可更好地幫助人們掌握影響城市空氣質(zhì)量的因素。在對(duì)空氣質(zhì)量等級(jí)的預(yù)測(cè)中，缺乏對(duì)污染物擴(kuò)散、氣象環(huán)境、氣候背景等諸多因素與太原市AQI指數(shù)關(guān)系的探討，只是通過(guò)AQI值對(duì)空氣質(zhì)量等級(jí)進(jìn)行了預(yù)測(cè)。在以后的研究中，將開展各類影響因素對(duì)空氣質(zhì)量的影響預(yù)測(cè)研究，提高對(duì)空氣質(zhì)量預(yù)測(cè)的精度。

參考文獻(xiàn)/References：

[1] GUAN Weijie， ZHENG Xueyan， CHUNG Kianfan， et al. Impact of air pollution on the burden of chronic respiratory diseases in China： Time for urgent action[J]. The Lancet， 2016， 388（10054）：1939-1951.

[2] 伊元榮，海米提·依米提，艾尼瓦爾·買買提，等.基于灰色聚類法的烏魯木齊市空氣質(zhì)量狀況研究[J].水土保持研究，2007，14（6）：139-141.

YI Yuanrong， YIMITI Haimiti， MAIMAITI Ainiwaner， et al. The atmospheric quality status research based on gray clustering method in Urumqi[J].Research of Soil and Water Conservation， 2007， 14（6）：139-141.

[3] 普映娟，王琳邦.環(huán)境空氣質(zhì)量綜合指數(shù)評(píng)價(jià)方法探討[J].環(huán)境科學(xué)導(dǎo)刊，2010，29（2）：93-94.

PU Yingjuan， WANG Linbang. Discussion on comprehensive index assessment method of environmental air quality[J].Environmental Science Survey，2010，29（2）：93-94.

[4] 潘本鋒，杜麗，李莉娜.層次分析賦權(quán)法在城市空氣質(zhì)量排名中的應(yīng)用[J].中國(guó)環(huán)境監(jiān)測(cè)，2015，31（2）：44-47.

PAN Benfeng， DU Li， LI Lina. The study on applications of determining weight vector based on ahp for ranking ambient air quality of city[J].Environmental Monitoring in China， 2015， 31（2）： 44-47.

[5] 牟敬鋒，趙星，樊靜潔，等.基于ARIMA模型的深圳市空氣質(zhì)量指數(shù)時(shí)間序列預(yù)測(cè)研究[J].環(huán)境衛(wèi)生學(xué)雜志，2017，7（2）：102-107.

MOU Jingfeng， ZHAO Xing， FAN Jingjie， et al. Time series prediction of AQI in Shenzhen based on ARIMA model[J].Journal of Environmental Hygiene，2017，7（2）：102-107.

[6] 唐之享.基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)研究與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2018.

TANG Zhixiang. Research on and Implementation of Air Quality Prediction based on BP Neural Network[D].Xi′an： Xidian University， 2018.

[7] 鄭洋洋，白艷萍，續(xù)婷.基于SARIMA-SVR組合模型的空氣質(zhì)量指數(shù)預(yù)測(cè)[J].河北工業(yè)科技，2019，36（6）：436-441.

ZHENG Yangyang， BAI Yanping， XU Ting. Air quality index prediction based on SARIMA-SVR combined model[J]. Hebei Journal of Industrial Science and Technology， 2019，36（6）：436-441.

[8] 張冬雯，趙琪，許云峰，等.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型的空氣質(zhì)量預(yù)測(cè)[J].河北科技大學(xué)學(xué)報(bào)，2020，41（1）：67-75.

ZHANG Dongwen， ZHAO Qi， XU Yunfeng， et al.Air quality prediction based on neural network model of long short-term memory[J]. Journal of Hebei University of Science and Technology，2020，41（1）：67-75.

[9] 羅運(yùn)成.基于模糊綜合評(píng)價(jià)模型的城市空氣質(zhì)量評(píng)價(jià)研究[J].環(huán)境影響評(píng)價(jià)，2018，40（5）：79-83.

LUO Yuncheng. Research on urban air quality evaluation based on fuzzy comprehensive assessment method[J].Environmental Impact Assessment，2018，40（5）：79-83.

[10]吳先明，蔡海濱，鄧鵬.基于灰色關(guān)聯(lián)度的改進(jìn)TOPSIS模型在水質(zhì)評(píng)價(jià)中的應(yīng)用[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，40（2）：24-28.

WU Xianming， CAI Haibin， DENG Peng. Application of improved TOPSIS model based on grey correlation grade to water quality evaluation[J]. Journal of China Three Gorges University（Natural Sciences），2018，40（2）：24-28.

[11]WAN Huaiyu， GUO Shengnan， YIN Kang， et al. CTS-LSTM： LSTM-based neural networks for correlatedtime series prediction[J]. Knowledge-Based Systems， 2020.DOI： 10.1016/j.knosys.2019.105239.

[12]楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2018，38（sup2）：1-6.

YANG Li， WU Yuxi， WANG Junli， et al.Research on recurrent neural network[J].Journal of Computer Applications，2018，38（sup2）：1-6.

[13]張春露，白艷萍.基于TensorFlow的LSTM模型在太原空氣質(zhì)量AQI指數(shù)預(yù)測(cè)中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2018，32（8）：137-141.

ZHANG Chunlu， BAI Yanping. Application of LSTM prediction model based on Tensor Flow in Taiyuan air quality AQI index[J].Journal of Chongqing University of Technology （Natural Science），2018，32（8）：137-141.

[14]張晉晶.基于隨機(jī)梯度下降的神經(jīng)網(wǎng)絡(luò)權(quán)重優(yōu)化算法[D].重慶：西南大學(xué)，2018.

ZHANG Jinjing. Optimization Algorithms of Neural Networks Weights Based on Stochastic Gradient Descent[D].Chongqing： Southwest University，2018.

[15]曹馨元，何月欣，陳衛(wèi)衛(wèi)，等.煙花爆竹禁燃對(duì)春節(jié)期間東北地區(qū)空氣質(zhì)量影響評(píng)估[J].中國(guó)環(huán)境監(jiān)測(cè)，2018，34（4）：77-84.

CAO Xinyuan， HE Yuexin， CHEN Weiwei， et al. Effects of fireworks forbidden on air quality during the Spring Festival in Northeast China[J].Environmental Monitoring in China，2018，34（4）：77-84.

[16]李博群，賈政權(quán)，劉利平.基于模糊時(shí)間序列的空氣質(zhì)量指數(shù)預(yù)測(cè)[J].華北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，40（3）：78-86.

LI Boqun， JIA Zhengquan， LIU Liping. Air quality index forecast based on fuzzy time series models[J].Journal of North China University of Science and Technology （Natural Science Edition），2018，40（3）：78-86.

收稿日期：2020-06-22;修回日期：2020-12-01;責(zé)任編輯：王海云

基金項(xiàng)目：國(guó)家自然科學(xué)基金（61774137）;山西省自然科學(xué)基金（201701D22111439， 201701D221121）;山西省回國(guó)留學(xué)人員科研項(xiàng)目（2016-088）

第一作者簡(jiǎn)介：曹 通（1995—），男，山西臨汾人，碩士研究生，主要從事現(xiàn)代優(yōu)化算法理論及應(yīng)用方面的研究。

通訊作者：白艷萍教授。E-mail： baiyp666@163.com

曹通，白艷萍.太原市COVID-19防控前后空氣質(zhì)量分析及預(yù)測(cè)[J].河北工業(yè)科技，2021，38（2）：156-162.

CAO Tong，BAI Yanping.Air quality analysis and prediction before and after the prevention and control of COVID-19 in Taiyuan[J].

Hebei Journal of Industrial Science and Technology，2021，38（2）：156-162.