劉 英,裴莉莉,郝雪麗

(長(zhǎng)安大學(xué) 信息工程學(xué)院,西安 710064)

伴隨著我國(guó)生態(tài)建設(shè)力度的加大,空氣質(zhì)量問題成為生態(tài)問題的重要組成部分,空氣質(zhì)量的好壞有關(guān)國(guó)家建設(shè)“綠水青山”的使命,有關(guān)社會(huì)環(huán)境治理問題,有關(guān)人民身體健康問題.我國(guó)每年因?yàn)榇髿馕廴驹斐珊粑兰膊「腥径劳龅娜藬?shù)高達(dá)數(shù)百萬(wàn),空氣中霧霾、浮塵等顆粒嚴(yán)重影響了空氣質(zhì)量,因此能夠很好地預(yù)測(cè)空氣質(zhì)量問題成為人們亟需解決的一大課題.順應(yīng)大數(shù)據(jù)時(shí)代的到來,很多研究人員已經(jīng)做了一些針對(duì)空氣質(zhì)量預(yù)測(cè)的相關(guān)工作[1,2].

早些年間,人們對(duì)于空氣質(zhì)量的預(yù)測(cè)多基于生活中的主觀經(jīng)驗(yàn),這顯然缺乏一定的科學(xué)性.后來,人們也基于數(shù)學(xué)方法來進(jìn)行建模,從而對(duì)空氣質(zhì)量問題完成了很好的預(yù)估[3].例如,楊寧等人運(yùn)用時(shí)間序列分析方法,借助SPSS 軟件對(duì)北京市未來2 周的空氣污染物變化情況進(jìn)行了預(yù)測(cè),通過Q 檢驗(yàn)和擬合統(tǒng)計(jì)量R2驗(yàn)證了ARIMA 模型預(yù)測(cè)效果較好,具有一定的推廣價(jià)值[4].

隨著機(jī)器學(xué)習(xí)技術(shù)的逐漸成熟,越來越多的研究者采用神經(jīng)網(wǎng)絡(luò)建模的方法很好地完成了空氣質(zhì)量的預(yù)測(cè)工作.很多國(guó)內(nèi)和國(guó)外的研究中,人們較多使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法來建立預(yù)測(cè)模型.例如,Samia 等人使用非線性的人工神經(jīng)網(wǎng)絡(luò)ANN 和移動(dòng)平均模型ARIMA 的組合模型完成了對(duì)斯法克斯南郊等地區(qū)的氣象和顆粒數(shù)據(jù)的實(shí)驗(yàn),證明了該模型的有效性[5].Chauhan 等人使用卷積神經(jīng)網(wǎng)絡(luò)CNN 模型對(duì)印度不同城市的空氣質(zhì)量數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn),分析了空氣污染物對(duì)城市的影響,驗(yàn)證了模型的準(zhǔn)確性和適用性[6].Jiang等人提出了一種基于樣本自組織聚類的BP 神經(jīng)網(wǎng)絡(luò),利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的聚類特征對(duì)空氣質(zhì)量進(jìn)行了預(yù)測(cè),模型預(yù)測(cè)精度得到了提升[7].范彩云等人以北京市空氣質(zhì)量為例,采用小波降噪和LSTM 神經(jīng)網(wǎng)絡(luò)的方法,結(jié)合區(qū)域關(guān)聯(lián)性等對(duì)AQI 指數(shù)進(jìn)行了預(yù)測(cè),與ARIMA 模型等進(jìn)行對(duì)比,證明了降噪后帶空間因素的LSTM 神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)結(jié)果[8].徐萬(wàn)鏞等人選取蘭州市PM10等主要污染物濃度數(shù)據(jù)并進(jìn)行標(biāo)準(zhǔn)化處理,搭建4 層的LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)未來12 小時(shí)的AQI 指數(shù)進(jìn)行預(yù)測(cè),和傳統(tǒng)的3 層模型進(jìn)行對(duì)比說明了該LSTM 模型具有較好的預(yù)測(cè)效果[9].Menares等人基于LSTM 和深度前饋神經(jīng)網(wǎng)絡(luò)DFFNN 對(duì)智利圣地亞哥市監(jiān)測(cè)站氣象數(shù)據(jù)進(jìn)行了預(yù)測(cè),最終證明了深度學(xué)習(xí)的LSTM 模型的表現(xiàn)一直優(yōu)于目前使用的確定性模型[10].

以上方法中,無論是基于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型還是數(shù)學(xué)模型,其模型的參數(shù)都是依據(jù)個(gè)人經(jīng)驗(yàn)而定的,所以預(yù)測(cè)結(jié)果往往存在預(yù)測(cè)精度低,訓(xùn)練周期長(zhǎng),不夠可靠的問題.基于這些問題,本文引入鯨魚優(yōu)化算法,使用WOA 算法對(duì)BiLSTM 網(wǎng)絡(luò)的訓(xùn)練參數(shù)神經(jīng)元個(gè)數(shù)m和學(xué)習(xí)率l進(jìn)行尋優(yōu),從而可以達(dá)到提升模型的擬合效果、訓(xùn)練過程和預(yù)測(cè)結(jié)果的目的.

1 數(shù)據(jù)質(zhì)量提升及算法流程圖

1.1 數(shù)據(jù)來源及可視化

本文數(shù)據(jù)源自于UCI (University of California Irvine)數(shù)據(jù)庫(kù)中陜西省空氣質(zhì)量數(shù)據(jù)集,選取2019年7月到2020年12月共13 000 條氣象數(shù)據(jù),主要包含date、CO、NO2、O3、PM10、AQI 等8 個(gè)屬性.

對(duì)2020年的AQI 數(shù)據(jù)按照一年12 個(gè)月的變化,進(jìn)行可視化統(tǒng)計(jì)如圖1 所示.可以發(fā)現(xiàn),在1月AQI 最高(167.68),說明此時(shí)空氣質(zhì)量最差; 在8月AQI 最低(45.33),說明此時(shí)空氣質(zhì)量最優(yōu).

圖1 2020年AQI 變化趨勢(shì)圖

1.2 數(shù)據(jù)質(zhì)量提升

首先,在O3、CO、NO 等特征中,均存在不同數(shù)目的缺失值.通過計(jì)算每一列的平均值來對(duì)此列中存在的缺失值“NA”進(jìn)行了填充,確保序列數(shù)據(jù)在進(jìn)入網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前不存在缺失.

其次,在原始數(shù)據(jù)集中,各特征存在較大差異的數(shù)據(jù)量綱,容易導(dǎo)致模型精度降低,模型訓(xùn)練時(shí)間長(zhǎng),因此在將特征輸入到網(wǎng)絡(luò)之前,還需對(duì)特征因子進(jìn)行歸一化操作[11].歸一化操作的原理如下:

其中,xmax即所在列的最大數(shù)據(jù),xmin是所在列的最小數(shù)據(jù),x是待標(biāo)準(zhǔn)化前的數(shù)值,x*是x標(biāo)準(zhǔn)化后的數(shù)值.

特征歸一化操作使得數(shù)據(jù)范圍均介于[-1,1]之間,樣本數(shù)據(jù)的均值接近于0,數(shù)據(jù)既保留了本身的正負(fù)屬性,而且可以提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度.

1.3 算法流程圖

本文首先對(duì)陜西省的空氣質(zhì)量數(shù)據(jù)進(jìn)行清洗,并對(duì)數(shù)據(jù)進(jìn)行歸一化操作,然后先根據(jù)經(jīng)驗(yàn)函數(shù)設(shè)定隨機(jī)參數(shù)后將特征輸入到BiLSTM 網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,再根據(jù)WOA 算法對(duì)網(wǎng)絡(luò)模型的神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率進(jìn)行尋優(yōu)[12],輸出最優(yōu)網(wǎng)絡(luò)超參數(shù),再根據(jù)最優(yōu)參數(shù),將特征輸入到建立好的WOA-BiLSTM 模型中,然后將測(cè)試集輸入到該模型中進(jìn)行驗(yàn)證,進(jìn)行數(shù)據(jù)反歸一化得到數(shù)據(jù)預(yù)測(cè)結(jié)果,最終還將該模型和BiLSTM 以及LSTM 進(jìn)行了對(duì)比分析,證明本文提出的WOA-BiLSTM模型具有更好的預(yù)測(cè)結(jié)果.本文的算法流程圖如圖2所示.

圖2 算法流程圖

2 空氣質(zhì)量預(yù)測(cè)原理

2.1 BiLSTM 網(wǎng)絡(luò)

LSTM 作為一種特殊的RNN 網(wǎng)絡(luò),以其可以學(xué)習(xí)到長(zhǎng)時(shí)間依賴信息的能力,而被廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)領(lǐng)域[13].LSTM 神經(jīng)網(wǎng)絡(luò)分別由輸入門it、輸出門ot、遺忘門ft三種存儲(chǔ)門部件構(gòu)成.

本文引入雙向的長(zhǎng)短期記憶網(wǎng)絡(luò)BiLSTM,BiLSTM網(wǎng)絡(luò)基于前向和后向的雙向傳播原則,同時(shí)提取過去和未來的隱藏層信息,使得空氣質(zhì)量信息提取更加充分.BiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示.

圖3 BiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)

其中,α、β為常數(shù),α 和 β之和為1.

2.2 WOA 算法

本文使用鯨魚優(yōu)化算法WOA 對(duì)BiLSTM 的訓(xùn)練參數(shù)隱藏神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率進(jìn)行尋優(yōu).WOA 的原理就是模擬座頭鯨圍捕獵物的行為,實(shí)現(xiàn)全局搜索的過程[14],主要包含了包圍、攻擊和搜索3 大過程.

(1)包圍.開始鯨魚會(huì)先選擇一個(gè)局部最優(yōu)的捕食方向,設(shè)定一個(gè)當(dāng)前最優(yōu)的獵物位置進(jìn)行包圍.計(jì)算公式如下:

其中,X*代表獵物位置的向量,X代表鯨魚位置的向量,t為迭代輪數(shù),A和C為系數(shù)向量.計(jì)算時(shí),會(huì)對(duì)A和C向量進(jìn)行調(diào)試,用來尋找X在最優(yōu)解周圍的位置.A、C的計(jì)算公式如下:

其中,a從2 到0 線性變化;r是取自于[0,1]中的隨機(jī)向量.

(2)攻擊.一般鯨魚在進(jìn)行攻擊的時(shí)候,主要有兩個(gè)機(jī)制,分別是收縮包圍獵物機(jī)制和螺旋更新位置機(jī)制.

收縮包圍機(jī)制: 新的個(gè)體位置可以定義在目前的鯨魚個(gè)體和最佳鯨魚個(gè)體間的任何一個(gè)位置[15],參見式(5).

螺旋更新位置機(jī)制: 首先計(jì)算出鯨魚和獵物之間的距離D′,構(gòu)建方程:

其中,b為常數(shù),l取[-1,1]之間的隨機(jī)數(shù).

本文設(shè)定0.5 為閾值,通過判斷產(chǎn)生的概率值p來決定鯨魚在攻擊時(shí)采取何種機(jī)制.若概率p＜0.5 且|A|＜1,則采取收縮包圍的機(jī)制; 若概率p＞0.5 且|A|＜1 時(shí),則采取螺旋式機(jī)制來更新位置.

(3)搜索.若|A|＞1,則隨機(jī)搜索并選取鯨魚來進(jìn)行位置的更新,而非基于已有的最優(yōu)的鯨魚個(gè)體.如果算法的迭代輪次已經(jīng)達(dá)到最大,則算法終止.

2.3 WOA-BiLSTM 預(yù)測(cè)模型

選擇最優(yōu)的隱藏層神經(jīng)元個(gè)數(shù)m和學(xué)習(xí)率l值對(duì)于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)來說,是至關(guān)重要的,而依據(jù)經(jīng)驗(yàn)選取參數(shù)的做法會(huì)降低BiLSTM 模型預(yù)測(cè)精度.因此,本文通過WOA 算法對(duì)BiLSTM 循環(huán)網(wǎng)絡(luò)的參數(shù)m和l做以優(yōu)化.

將鯨魚個(gè)體作為各個(gè)優(yōu)化策略,將鯨魚位置的維數(shù)對(duì)應(yīng)BiLSTM 模型待優(yōu)化參數(shù)的個(gè)數(shù),在鯨魚不斷更新自身位置的過程中獲得BiLSTM 循環(huán)網(wǎng)絡(luò)的最優(yōu)參數(shù)組合.

WOA-BiLSTM 組合模型如圖4 所示.WOA 算法將計(jì)算得到的初始化種群參數(shù)傳遞給已經(jīng)建立的BiLSTM 模型,輸入訓(xùn)練集到BiLSTM 模型進(jìn)行訓(xùn)練,再對(duì)測(cè)試集進(jìn)行預(yù)測(cè),得到真實(shí)值和預(yù)測(cè)值之間的誤差,同時(shí)WOA 算法種群不斷更新,將更新得到的參數(shù)傳遞給模型進(jìn)行再訓(xùn)練,直到WOA 算法輸出最優(yōu)的網(wǎng)絡(luò)超參數(shù),再將得到的全局最優(yōu)解傳遞給BiLSTM模型,模型根據(jù)最優(yōu)解組合對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練,之后再進(jìn)行測(cè)試,最終輸出得到模型的最佳預(yù)測(cè)結(jié)果.

圖4 WOA-BiLSTM 組合模型

使用WOA 算法來對(duì)BiLSTM 網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,首先需要給定兩個(gè)參數(shù)的搜索區(qū)間,然后經(jīng)過第2.2 節(jié)描述的鯨魚優(yōu)化算法在給定的區(qū)間范圍內(nèi)進(jìn)行隨機(jī)搜索,使得預(yù)測(cè)模型的損失函數(shù)Loss 不斷收斂,得到最高的預(yù)測(cè)精度,從而得到最優(yōu)的網(wǎng)絡(luò)參數(shù),將最優(yōu)網(wǎng)絡(luò)參數(shù)代入BiLSTM 模型進(jìn)行預(yù)測(cè).WOA 算法用于BiLSTM 模型來實(shí)現(xiàn)空氣質(zhì)量預(yù)測(cè)的算法流程圖如圖5 所示.

圖5 WOA-BiLSTM 算法流程圖

將WOA 用于BiLSTM 模型進(jìn)行預(yù)測(cè),其算法流程按照如下幾步進(jìn)行:

步驟1.首先對(duì)空氣質(zhì)量數(shù)據(jù)進(jìn)行清洗和歸一化等處理后,將數(shù)據(jù)輸入到BiLSTM 模型;

步驟2.對(duì)BiLSTM 模型參數(shù)學(xué)習(xí)率l和神經(jīng)元個(gè)數(shù)m進(jìn)行初始化;

步驟3.對(duì)鯨魚優(yōu)化算法種群進(jìn)行初始化.將變量組合(m,l)輸入到WOA 算法中,作為待優(yōu)化參數(shù),種群不斷更新;

步驟4.將初始化完成的參數(shù)值作為歷史最優(yōu)參數(shù)輸入到BiLSTM 模型進(jìn)行訓(xùn)練;

步驟5.將傳統(tǒng)BiLSTM 模型進(jìn)行訓(xùn)練后得到的損失函數(shù)值作為系統(tǒng)要求的終止條件,并同時(shí)計(jì)算得到基于鯨魚優(yōu)化算法的預(yù)測(cè)模型的損失值;

步驟6.如果基于鯨魚優(yōu)化算法的預(yù)測(cè)模型損失值比傳統(tǒng)的BiLSTM 模型的損失值小,則滿足判定條件,輸出最優(yōu)學(xué)習(xí)率l和神經(jīng)元個(gè)數(shù)m; 相反,如果基于鯨魚優(yōu)化算法的預(yù)測(cè)模型損失值大于或者等于傳統(tǒng)的BiLSTM 模型,則需要進(jìn)一步更新參數(shù)并再次訓(xùn)練模型.

3 基于WOA-BiLSTM 模型的空氣質(zhì)量預(yù)測(cè)分析

3.1 WOA 適應(yīng)度分析

考慮到全局優(yōu)化算法有多個(gè),本文對(duì)WOA 等多個(gè)優(yōu)化算法的適應(yīng)度值進(jìn)行了分析,如圖6 所示,可以看出,當(dāng)?shù)螖?shù)達(dá)到65 代左右時(shí),WOA 算法出現(xiàn)最佳適應(yīng)度值,GSA (gravitational search algorithm)引力搜索算法在第100 代時(shí)出現(xiàn)最佳適應(yīng)度值,而PSO(particle swarm optimization)粒子群優(yōu)化算法和BOA(Bayesian optimization algorithm)貝葉斯優(yōu)化算法則是在第200 代左右時(shí)出現(xiàn)最佳適應(yīng)度值.WOA 算法最佳適應(yīng)度值為0.000 193 2.由此可以說明,WOA 算法比其他優(yōu)化算法具有更快的收斂速度和更高的收斂精度.

圖6 各算法適應(yīng)度值收斂曲線圖

3.2 WOA-BiLSTM 模型參數(shù)選擇及優(yōu)化結(jié)果

過往研究可以發(fā)現(xiàn),LSTM 網(wǎng)絡(luò)參數(shù)中,隱藏層神經(jīng)元個(gè)數(shù)m和學(xué)習(xí)率l對(duì)模型的訓(xùn)練結(jié)果影響最大.一般神經(jīng)網(wǎng)絡(luò)中的隱藏層神經(jīng)元個(gè)數(shù)都是由經(jīng)驗(yàn)公式,見式(10),而得到一個(gè)大致的取值范圍,然后在這個(gè)取值范圍中,進(jìn)行屢次的實(shí)驗(yàn)來設(shè)定該參數(shù)的取值,并且還要對(duì)模型性能進(jìn)行橫向的對(duì)比,最終選取一個(gè)最優(yōu)的參數(shù).

其中,α 和 β分別為輸出層和輸入層的節(jié)點(diǎn)數(shù),n取介于[0,10]之間的常數(shù).

學(xué)習(xí)率l對(duì)于BiLSTM 網(wǎng)絡(luò)來說,關(guān)乎網(wǎng)絡(luò)訓(xùn)練時(shí)損失曲線的振幅以及模型收斂的快慢.學(xué)習(xí)率如果設(shè)置的較小,Loss 曲線就會(huì)振幅變小,學(xué)習(xí)速度也變得緩慢; 而學(xué)習(xí)率如果設(shè)置的過大,Loss 曲線就會(huì)振幅變大,下降速度變快.所以需要選擇合適的學(xué)習(xí)率參數(shù),實(shí)現(xiàn)模型訓(xùn)練“穩(wěn)中求進(jìn)”的原則[16].

WOA-BiLSTM 模型具有雙向的循環(huán)神經(jīng)網(wǎng)絡(luò),模型具有輸入層,輸出層和一個(gè)隱藏層結(jié)構(gòu),選取Adam優(yōu)化器來更新模型參數(shù).本文中隱藏層神經(jīng)元個(gè)數(shù)m的值范圍為[10,50],學(xué)習(xí)率l的取值范圍為[0.001,0.01],WOA 算法對(duì)鯨魚種群進(jìn)行初始化后,將參數(shù)傳遞給BiLSTM 模型,初始的隱層神經(jīng)元個(gè)數(shù)m為30,學(xué)習(xí)率l為0.001.為避免過擬合問題,迭代次數(shù)設(shè)為200,時(shí)間步長(zhǎng)設(shè)為5.基于WOA 算法的不斷更新迭代,最后將最優(yōu)的網(wǎng)絡(luò)超參數(shù)進(jìn)行輸出,最終獲得最優(yōu)參數(shù)組合如表1 所示.

表1 BiLSTM 模型的最優(yōu)參數(shù)組合

3.3 WOA-BiLSTM 模型預(yù)測(cè)結(jié)果分析

根據(jù)模型在訓(xùn)練過程中,隨著迭代輪次的遞增,訓(xùn)練集上損失值不斷下降的過程,得到模型訓(xùn)練的Loss曲線圖,如圖7 所示.可以看出,在前100 次迭代時(shí),損失曲線大幅下降,而當(dāng)?shù)喆蔚竭_(dá)140 左右時(shí),Loss已經(jīng)近乎為0.

圖7 Loss 曲線圖

將提升后的數(shù)據(jù)輸入本文模型,訓(xùn)練集取4 000 條樣本,測(cè)試集取400 條樣本,訓(xùn)練WOA-BiLSTM 模型如圖8 所示.可以看出在訓(xùn)練集和測(cè)試集上,AQI 的預(yù)測(cè)值和真實(shí)值非常貼近,曲線波動(dòng)走向近乎一致,說明預(yù)測(cè)誤差小,模型精確度高,可以實(shí)現(xiàn)對(duì)AQI 的高精度預(yù)測(cè).

圖8 WOA-BiLSTM 模型預(yù)測(cè)效果圖

為驗(yàn)證WOA-BiLSTM 模型對(duì)比其他現(xiàn)有預(yù)測(cè)模型間所具有的優(yōu)勢(shì),采用BiLSTM 和LSTM 模型進(jìn)行對(duì)比試驗(yàn),隱藏層中的激活函數(shù)均使用tanh 函數(shù),并采用十折交叉驗(yàn)證法對(duì)模型進(jìn)行訓(xùn)練.圖9 和圖10 分別為BiLSTM 和LSTM 對(duì)AQI 進(jìn)行預(yù)測(cè)的結(jié)果,可以看出,兩個(gè)模型的訓(xùn)練精度均低于WOA-BiLSTM 模型.尤其從測(cè)試集可以發(fā)現(xiàn),真實(shí)值和預(yù)測(cè)值在很多峰值處無法達(dá)到高度擬合狀態(tài).

圖9 BiLSTM 模型預(yù)測(cè)效果圖

圖10 LSTM 模型預(yù)測(cè)效果圖

為了量化表示不同模型的預(yù)測(cè)值與真實(shí)值之間的誤差大小,本文采用絕對(duì)均值誤差(MAE)、均方根誤差(RMSE)以及線性相關(guān)系數(shù)(R2)作為評(píng)價(jià)指標(biāo)[17].評(píng)價(jià)指標(biāo)的計(jì)算見式(19)-式(21).

其中,n指測(cè)量值的總個(gè)數(shù),yi指AQI 預(yù)測(cè)的實(shí)測(cè)值,指AQI 預(yù)測(cè)的預(yù)測(cè)值,指yi的平均值.

本文分別將WOA-BiLSTM、BiLSTM、LSTM 模型在測(cè)試集上的預(yù)測(cè)評(píng)價(jià)指標(biāo)進(jìn)行了記錄,如表2 所示.

表2 不同模型的評(píng)價(jià)指標(biāo)

為了更形象化的對(duì)比驗(yàn)證本文模型的合理性,對(duì)模型的評(píng)價(jià)指標(biāo)進(jìn)行可視化展示,如圖11 所示.

圖11 模型預(yù)測(cè)指標(biāo)對(duì)比

可以看出,本文提出的WOA-BiLSTM 模型MAE、RMSE值為最低,分別為6.543 3 和7.334 6.其中MAE值較BiLSTM 模型和LSTM 模型分別降低了1.876 5和3.913 6.RMSE較BiLSTM 模型和LSTM 模型分別降低了3.186 9 和5.325 1; 同時(shí),本文模型的R2值亦為最高,較BiLSTM 模型和LSTM 模型分別提高了0.26%和1.98%.這也說明了基于WOA 算法的BiLSTM 模型對(duì)于空氣質(zhì)量具有更好的預(yù)測(cè)效果,其中WOA 算法幫助BiLSTM 模型尋找最優(yōu)網(wǎng)絡(luò)參數(shù),雙向的長(zhǎng)短期記憶網(wǎng)絡(luò)幫助模型能夠從前向和后向一并提取充足的數(shù)據(jù)特征,達(dá)到更為精準(zhǔn)的AQI 預(yù)測(cè)效果.

4 結(jié)論

針對(duì)一般的長(zhǎng)短期記憶網(wǎng)絡(luò)在預(yù)測(cè)過程中,網(wǎng)絡(luò)參數(shù)需要依據(jù)經(jīng)驗(yàn)而得,訓(xùn)練周期長(zhǎng),模型精度不夠高的問題,本文提出的WOA-BiLSTM 模型,以陜西省空氣質(zhì)量數(shù)據(jù)作為數(shù)據(jù)集,驗(yàn)證了本文模型的有效性.

(1)本文WOA-BiLSTM 模型中提出的WOA 算法作為一種啟發(fā)式的參數(shù)尋優(yōu)算法,可以高效的得到網(wǎng)絡(luò)的最佳訓(xùn)練參數(shù),能夠有效避免模型訓(xùn)練時(shí)調(diào)參所帶來的對(duì)預(yù)測(cè)精度的影響,而且采用了雙向的長(zhǎng)短期記憶網(wǎng)絡(luò),能夠使得模型在提取數(shù)據(jù)信息時(shí),盡可能地關(guān)注單向長(zhǎng)短期記憶網(wǎng)絡(luò)所忽略的信息,從而能夠保證空氣質(zhì)量預(yù)測(cè)結(jié)果的優(yōu)越性.

(2)本文還將WOA-BiLSTM 模型和BiLSTM 以及LSTM 模型進(jìn)行了預(yù)測(cè)效果的對(duì)比,發(fā)現(xiàn)了本文提出模型的MAE、RMSE、R2值均是最佳的.這也說明了本文提出的模型能夠更為準(zhǔn)確的預(yù)測(cè)空氣質(zhì)量問題,能夠?yàn)槲沂庀缶珠_展空氣質(zhì)量預(yù)測(cè)工作提供理論支撐和實(shí)踐依據(jù).