王 健，宋 穎，吳 濤

(1.安徽大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，安徽 合肥 230031；2.安徽大學(xué) 計(jì)算智能與信號處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039)

0 引 言

PM2.5作為大氣中的一種細(xì)小顆粒物，具有粒徑小、面積大、毒性強(qiáng)的特點(diǎn)，嚴(yán)重威脅著人們的健康。近年來，國家不斷加大各項(xiàng)環(huán)境治理措施，PM2.5治理已取得很好的效果，霧霾天氣已少有發(fā)生，但未來PM2.5的治理仍任重而道遠(yuǎn)。因此，對未來PM2.5的變化進(jìn)行預(yù)測與模擬尤為重要。

當(dāng)前，空氣質(zhì)量預(yù)測模型主要有兩種類型，一種是基于大氣動(dòng)力學(xué)的數(shù)值預(yù)報(bào)模型，即基于大氣內(nèi)部運(yùn)動(dòng)的物理規(guī)律，通過污染源、化學(xué)動(dòng)力學(xué)等相關(guān)知識，建立起空氣污染濃度預(yù)測的動(dòng)態(tài)模型，對大氣情況進(jìn)行模擬預(yù)測[1-2]。

另一種則是基于統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)等方法，利用已有的數(shù)據(jù)，從數(shù)據(jù)中挖掘其中所蘊(yùn)含的數(shù)理規(guī)律，建立預(yù)測模型，實(shí)現(xiàn)對未來情況的預(yù)測。常用的統(tǒng)計(jì)方法與機(jī)器學(xué)習(xí)方法有多元線性回歸[3]、ARIMA[4]、支持向量回歸[5]等等。而隨著深度學(xué)習(xí)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)得到了各個(gè)行業(yè)的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)在擬合非線性關(guān)系上的優(yōu)越性，也被廣泛應(yīng)用于空氣質(zhì)量預(yù)測當(dāng)中。常見的網(wǎng)絡(luò)結(jié)構(gòu)有BP神經(jīng)網(wǎng)絡(luò)[6]、卷積神經(jīng)網(wǎng)絡(luò)[7]、循環(huán)神經(jīng)網(wǎng)絡(luò)[8]及其相關(guān)變種LSTM[9-10]等，并通過神經(jīng)網(wǎng)絡(luò)，建立了相應(yīng)霧霾預(yù)警系統(tǒng)[11]。在污染物預(yù)測建模過程中，通過歷史污染物數(shù)據(jù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立相應(yīng)的網(wǎng)絡(luò)預(yù)測模型，取得了不錯(cuò)的效果。

同時(shí)，為了進(jìn)一步提高預(yù)測的準(zhǔn)確率，很多學(xué)者通過時(shí)空變化的規(guī)律進(jìn)行分析建模，提高原有預(yù)測模型精度。例如：空間方面，李燚航[12]通過引入歷史風(fēng)場數(shù)據(jù)，將離散的PM2.5插值成網(wǎng)格圖的形式，然后使用U-net網(wǎng)絡(luò)對未來時(shí)刻進(jìn)行預(yù)測，提高了對PM2.5的突變情況的預(yù)測能力；宋飛揚(yáng)[13]通過KNN算法為所需預(yù)測的站點(diǎn)選取與其相關(guān)的空間相鄰站點(diǎn)，得到其空間特征，再對目標(biāo)站點(diǎn)建立LSTM預(yù)測模型，以達(dá)到對空間影響因素的利用。

時(shí)間方面，張怡文[14]通過對不同的季節(jié)分別進(jìn)行建模的方式，通過季節(jié)性預(yù)測方法提高了預(yù)測準(zhǔn)確率；蔣洪迅等人[15]通過序列分解的思路，分解為若干子序列，提取出不同時(shí)間尺度的周期序列，再利用LSTM網(wǎng)絡(luò)對各子序列進(jìn)行預(yù)測得到預(yù)測值，使得預(yù)測精度得到了提升；Wang等人[16]采用的基于區(qū)間值的二元分解與最優(yōu)組合集成的學(xué)習(xí)方法，將日均值濃度轉(zhuǎn)變?yōu)閰^(qū)間數(shù)，并將不同年份的同季節(jié)數(shù)據(jù)進(jìn)行重構(gòu)，采用二元經(jīng)驗(yàn)分解對序列進(jìn)行分解，再利用區(qū)間多層感知機(jī)進(jìn)行預(yù)測，使得預(yù)測精度有所上升。

該文主要從時(shí)間方面入手，首先選擇了對序列數(shù)據(jù)預(yù)測表現(xiàn)較好的長短時(shí)記憶網(wǎng)絡(luò)(LSTM)作為初步預(yù)測模型，完成多因素影響下PM2.5的初步預(yù)測。然后利用PM2.5濃度變化所具有的季節(jié)性與周期性，探索相鄰年份歷史預(yù)測誤差分布特點(diǎn)。通過模糊聚類的方法，分析比較當(dāng)前數(shù)據(jù)與歷史數(shù)據(jù)的相似性，對當(dāng)前預(yù)測數(shù)據(jù)的預(yù)測誤差進(jìn)行估計(jì)，并做出相應(yīng)的誤差補(bǔ)償，以提高當(dāng)前預(yù)測結(jié)果的準(zhǔn)確性。

1 理論與模型

1.1 長短時(shí)記憶網(wǎng)絡(luò)(LSTM)

LSTM神經(jīng)網(wǎng)絡(luò)[17]大體結(jié)構(gòu)與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，主要為了解決長時(shí)間序列問題中的梯度爆炸和梯度消失的問題，在神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)中引入了“記憶細(xì)胞(cell state)”這一概念。LSTM單元中存在三個(gè)門控單元，即遺忘門、輸入門、輸出門。這三種門控單元均為非線性單元，其中遺忘門決定了從上一個(gè)狀態(tài)中舍棄什么信息，即遺忘階段；輸入門決定了當(dāng)前狀態(tài)保存什么信息，即選擇記憶階段；而輸出門決定了從記憶細(xì)胞中輸出什么信息，即輸出階段。相關(guān)計(jì)算公式與網(wǎng)絡(luò)結(jié)構(gòu)(見圖1)如下：

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

遺忘門：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

輸入門：

it=σ(Wi·[ht-1,xt]+bi)

(2)

Ct=tanh(WC·[ht-1,xt]+bC)

(3)

(4)

輸出門：

ot=σ(W0[ht-1,xt]+b0)

(5)

ht=ot*tanh(Ct)

(6)

1.2 模糊C均值聚類(FCM)

傳統(tǒng)的聚類分析是一種硬劃分，即劃分事物即是非此即彼的特性，而模糊聚類則采用的是一種軟劃分的方式，通過賦予每個(gè)樣本點(diǎn)隸屬度的方式，來衡量每個(gè)樣本對每個(gè)類的影響，可以更好地衡量數(shù)據(jù)對所在類的影響?，F(xiàn)假定有一個(gè)數(shù)據(jù)集，若把這些數(shù)據(jù)劃分為c類，那么對應(yīng)的就有c個(gè)聚類中心Ci(i=1,2,…,N)，每個(gè)樣本屬于某一類的隸屬度為uij，定義一個(gè)FCM目標(biāo)函數(shù)(7)及約束條件(8)。

(7)

(8)

式中，uij∈(0,1)，表示第j個(gè)數(shù)據(jù)對第i個(gè)類的隸屬度。通過不斷迭代，使式(7)取得最小值，從而確定聚類中心Ci和每個(gè)樣本點(diǎn)對應(yīng)聚類中心的隸屬度uij：

(9)

(10)

1.3 基于LSTM網(wǎng)絡(luò)和FCM誤差補(bǔ)償?shù)腜M2.5預(yù)測模型

下面對該文所使用的算法進(jìn)行介紹，具體流程如下：

步驟1：將收集的數(shù)據(jù)集T的數(shù)據(jù)進(jìn)行max-min歸一化。對完整年度將數(shù)據(jù)集進(jìn)行分割，分割成三個(gè)部分，用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的歷史訓(xùn)練數(shù)據(jù)T1；用于模糊聚類實(shí)驗(yàn)的測試集T2；用于誤差補(bǔ)償后驗(yàn)證效果的驗(yàn)證集T3。并設(shè)置輸入LSTM網(wǎng)絡(luò)的數(shù)據(jù)窗口寬度為w。

步驟3：將測試集T2與誤差數(shù)據(jù)e組成新的數(shù)據(jù)集(T2,e)，并對數(shù)據(jù)集(T2,e)進(jìn)行FCM模糊聚類。確定聚類中心L1(i)={c1,c2,…,ck}，其中ci=(xi1,xi2,…,xim,ei)。

具體算法流程如圖2所示。

圖2 基于LSTM網(wǎng)絡(luò)和FCM誤差補(bǔ)償?shù)腜M2.5預(yù)測模型

2 PM2.5濃度預(yù)測的實(shí)例分析

2.1 數(shù)據(jù)的初步分析

該文所使用的數(shù)據(jù)集為2017年1月1日至2021年12月31日安徽省合肥市的PM2.5、PM10、SO2、CO、NO2、O3這六種空氣污染物日均值濃度數(shù)據(jù)(其中CO數(shù)據(jù)單位mg/m3，其余數(shù)據(jù)單位均為μg/m3)，共收集數(shù)據(jù)1 825條。為充分利用PM2.5變化的周期性，分割數(shù)據(jù)集時(shí)，將前三年共計(jì)1 095條數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的歷史訓(xùn)練集T1，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)；將數(shù)據(jù)集的第四年，即第1 096條至1 461條共計(jì)365條作為測試集T2，用于歷史預(yù)測誤差的模糊聚類實(shí)驗(yàn)；數(shù)據(jù)集的第五年，即第1 462條數(shù)據(jù)到1 825條數(shù)據(jù)T3作為經(jīng)過誤差補(bǔ)償后的驗(yàn)證集，驗(yàn)證該方法的效果與可行性。

通過繪制PM2.5的濃度時(shí)序變化圖(見圖3)，可以看出PM2.5的變化具有周期性，存在“秋冬高，春夏低”的現(xiàn)象，并且相鄰兩年之間PM2.5濃度的分布具有相似性。此外還可以看出五年的PM2.5濃度變化總體有一定的下降趨勢，并且單日PM2.5含量激增的情況也大大減少，猜測應(yīng)該與國家環(huán)境相關(guān)治理有關(guān)，城市整體空氣質(zhì)量正在逐年提高。

圖3 PM2.5濃度時(shí)序變化

對該文所使用數(shù)據(jù)集的五種與PM2.5相關(guān)的污染因子進(jìn)行Pearson相關(guān)因子檢驗(yàn)，檢驗(yàn)結(jié)果表明，PM2.5與PM10、CO有較強(qiáng)的正相關(guān)性，與NO2、SO2存在相關(guān)性，而與O3呈現(xiàn)一定的負(fù)相關(guān)性，說明了所選PM2.5影響因子的合理性。具體分析結(jié)果如表1所示。

表1 Pearson相關(guān)因子分析

2.2 數(shù)據(jù)預(yù)處理

(1)缺失數(shù)據(jù)填補(bǔ)。

由于收集的數(shù)據(jù)存在少量缺失值，且污染物的變化存在一定的趨勢性，而線性插值可以對趨勢性的數(shù)據(jù)進(jìn)行很好的補(bǔ)充，故采用線性插值的方式對缺失的數(shù)據(jù)值進(jìn)行合理填補(bǔ)。

(2)數(shù)據(jù)歸一化。

為了提高神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的收斂速度和模型準(zhǔn)確率，以及各污染物由于量綱不同對數(shù)據(jù)聚類所產(chǎn)生的影響，而max-min歸一化處理可以有效解決這些問題，故對數(shù)據(jù)進(jìn)行max-min歸一化處理，使得數(shù)據(jù)范圍為[0,1]。

(3)數(shù)據(jù)滑動(dòng)窗口化處理。

在使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時(shí)，需要將時(shí)序型數(shù)據(jù)轉(zhuǎn)化為監(jiān)督型數(shù)據(jù)，建立一個(gè)輸入X、輸出Y的映射關(guān)系，而神經(jīng)網(wǎng)絡(luò)則是學(xué)習(xí)X到Y(jié)的模式，故需將數(shù)據(jù)處理為適合網(wǎng)絡(luò)的輸入形式。所以采用滑動(dòng)窗口的方式建立這種映射關(guān)系，具體處理方式如下：

其中，yp,q為待預(yù)測第p天的PM2.5真實(shí)值。

2.3 模型參數(shù)設(shè)置

該文基于深度學(xué)習(xí)keras框架，搭建LSTM神經(jīng)網(wǎng)絡(luò)作為初步預(yù)測模型。在神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要對神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行設(shè)置，所使用的LSTM網(wǎng)絡(luò)超參數(shù)具體設(shè)置如下：兩層LSTM，節(jié)點(diǎn)數(shù)分別為128和64；一層全連接層，節(jié)點(diǎn)數(shù)為32；訓(xùn)練所使用的損失函數(shù)為MSE(均方誤差)，優(yōu)化器采用Adam優(yōu)化器，batchsize設(shè)置為64。為了防止網(wǎng)絡(luò)過擬合，在每個(gè)LSTM層后，設(shè)置丟棄率dropout為0.2。

在滑動(dòng)窗口處理的過程中，不同的窗口大小會(huì)對實(shí)驗(yàn)結(jié)果造成影響。經(jīng)多次實(shí)驗(yàn)，確定了最佳窗口大小，窗口大小為3。

2.4 模型評估指標(biāo)

評估指標(biāo)選用均方根誤差(RMSE)、平均絕對誤差(MAE)，具體公式如下：

2.5 結(jié)果分析

2.5.1 LSTM初步預(yù)測結(jié)果分析

使用LSTM網(wǎng)絡(luò)對測試集數(shù)據(jù)進(jìn)行預(yù)測，對一年中不同的時(shí)間段的誤差進(jìn)行誤差統(tǒng)計(jì)，并繪制相鄰年間的誤差時(shí)序變化圖，具體結(jié)果如表2所示。

表2 一年不同時(shí)間段誤差統(tǒng)計(jì)

通過表2，可知一年間不同時(shí)間段的誤差分布不均勻，表現(xiàn)為年初和年末誤差較大，年中誤差較小，這個(gè)特點(diǎn)也可以在圖4中得到體現(xiàn)。由圖4可知，相鄰年間誤差分布具有相似性，且PM2.5變化具有季節(jié)性，故推斷，相似數(shù)據(jù)的誤差分布是相似的。

圖4 相鄰年份預(yù)測誤差變化

2.5.2 預(yù)測結(jié)果與誤差

由2.5.1節(jié)的結(jié)論，對測試集及對應(yīng)誤差組成的數(shù)據(jù)集進(jìn)行FCM模糊聚類。利用聚類中心，對驗(yàn)證集數(shù)據(jù)進(jìn)行分類。根據(jù)分類結(jié)果，對屬于不同類的預(yù)測數(shù)據(jù)進(jìn)行相應(yīng)的誤差補(bǔ)償，得到最終預(yù)測結(jié)果。并與其他的實(shí)驗(yàn)方法進(jìn)行對比，結(jié)果如表3所示。

表3 實(shí)驗(yàn)預(yù)測誤差結(jié)果

由表3可知，經(jīng)過誤差修正后的預(yù)測結(jié)果相較于其他對比的實(shí)驗(yàn)方法，效果最佳，從而驗(yàn)證了該方法的有效性。相關(guān)預(yù)測結(jié)果如圖5所示。

圖5 全年P(guān)M2.5預(yù)測結(jié)果

3 結(jié)束語

使用合肥2017年1月1日至2021年12月31日的空氣質(zhì)量六因子的日均值數(shù)據(jù)進(jìn)行了PM2.5的濃度預(yù)測。實(shí)驗(yàn)過程中，首先對少量缺失數(shù)據(jù)進(jìn)行了線性插值填補(bǔ)，并進(jìn)行歸一化處理。歸一化后，對數(shù)據(jù)集進(jìn)行滑動(dòng)窗口化處理，處理成適合LSTM神經(jīng)網(wǎng)絡(luò)輸入的滑動(dòng)窗口數(shù)據(jù)，并完成LSTM網(wǎng)絡(luò)的訓(xùn)練以及初步預(yù)測。通過實(shí)驗(yàn)，發(fā)現(xiàn)PM2.5預(yù)測誤差存在相鄰年份誤差分布相似，但整年誤差分布不均勻，呈現(xiàn)出年初、年末誤差較大，而年中誤差較小。

根據(jù)此特點(diǎn)，采用了FCM對測試集數(shù)據(jù)進(jìn)行聚類。根據(jù)聚類結(jié)果對驗(yàn)證集分類，并根據(jù)聚類中心做出相應(yīng)的誤差補(bǔ)償。最終實(shí)驗(yàn)結(jié)果表明，均方根誤差(RMSE)與絕對平均誤差(MAE)均得到了降低，總體取得了不錯(cuò)的效果。

但仍存在很多不足。在研究初期，僅對污染因子進(jìn)行了相關(guān)性分析，驗(yàn)證了所選特征之間所具有相關(guān)性，并未對諸如風(fēng)速、風(fēng)壓等氣象因子進(jìn)行分析和考慮。

在模糊聚類方面，通過模糊聚類確定當(dāng)前數(shù)據(jù)與歷史預(yù)測數(shù)據(jù)相似的部分，利用對應(yīng)類的聚類中心作為誤差補(bǔ)償值，可以對LSTM初步預(yù)測結(jié)果進(jìn)行很好的補(bǔ)償。但由于誤差存在正負(fù)，聚類并不能很好區(qū)分誤差的正負(fù)，可以在接下來的研究中考慮如何確定誤差的方向，以進(jìn)一步提高預(yù)測精度。

時(shí)間因素方面，本次實(shí)驗(yàn)采用的為城市的日均值數(shù)據(jù)，而天氣情況具有實(shí)時(shí)性，若將數(shù)據(jù)更換為以小時(shí)為單位的數(shù)據(jù)，則模型的預(yù)測精度應(yīng)該會(huì)更好，并更具有實(shí)際意義。在后續(xù)的研究中，可以針對以上問題進(jìn)行一定的改進(jìn)，取得更好的預(yù)測效果。