摘要：為貫徹綠色港口發(fā)展理念，提升港口大氣污染監(jiān)測治理能力，本研究提出了一種基于雙向長短期記憶神經(jīng)網(wǎng)絡模型（Bidirectional LSTM，Bi?LSTM）的港口空氣質(zhì)量指數(shù)預測算法，并引入了麻雀搜索算法（Sparrow Search Algorithm，SSA）進行參數(shù)優(yōu)化，以提高預測精度和模型的穩(wěn)定性。選取浙江省嘉興市乍浦港空氣質(zhì)量監(jiān)測數(shù)據(jù)和氣象數(shù)據(jù)為實驗樣本進行模型訓練，實驗結(jié)果顯示，SSA?Bi?LSTM模型相比LSTM、CNN?LSTM、Bi?LSTM模型誤差更小，通過該算法的應用，能夠更準確地預測港口環(huán)境空氣質(zhì)量指數(shù)，為港口大氣監(jiān)測與治理提供科學依據(jù)和決策支持。

關鍵詞：交通碳排放；空氣質(zhì)量指數(shù)預測；雙向長短期記憶神經(jīng)網(wǎng)絡；麻雀搜索算法；港口大氣監(jiān)測

中圖分類號：X831"""""""""""""""""""""""""""""""""" 文獻標識碼：A"""""""""""""""""""""""""""""""""" 文章編號：1673?6478（2023）05-0032-05

Prediction of Port Ambient Air Quality Index Based on SSA?Bi?LSTM

TIAN Xuwei， YANG Kai， YIN Tong ， ZHENG Bing， ZENG Shihao

（Zhejiang Institute of Communications Co.， Ltd.， Hangzhou Zhejiang 410000， China）

Abstract： To promote the development of green ports and enhance the monitoring and control capabilities of port air pollution， this study proposes a port air quality index prediction algorithm based on the Bidirectional Long?Short Term Memory （Bi?LSTM） neural network model. The Sparrow Search Algorithm （SSA） is introduced for parameter optimization to improve prediction accuracy and model stability. The experimental training dataset consists of air quality monitoring data and meteorological data from Zhapu Port Area in Jiaxing City， Zhejiang province， collected in March 2022. The experimental results show that the SSA?BI?LSTM model has less error than that of LSTM， CNN?LSTM and Bi?LSTM models. By applying this algorithm， more accurate predictions of the port's environmental air quality index can be obtained， providing scientific basis and decision?making support for port air monitoring and management.

Key words： transportation carbon emission; air quality index prediction; Bidirectional LSTM; Sparrow Search Algorithm; port atmospheric monitoring

0 引言

近年來，海上運輸行業(yè)持續(xù)發(fā)展，據(jù)2022年研究報告，沿海港口吞吐量已超過100億噸?[1]，在海洋運輸業(yè)繁榮的同時，港口大氣污染治理的壓力也隨之增加。目前在港口大氣污染監(jiān)測治理領域，一部分學者基于大氣污染物源解析技術，對不同類型的港口及港口發(fā)展不同階段的大氣污染物排放源清單進行研究，識別港口大氣污染物排放源及主要污染物?[2?3]。還有部分學者從港口大氣污染物監(jiān)測方法的角度進行研究，一種方法是利用點式空氣質(zhì)量自動檢測系統(tǒng)，對港區(qū)空氣質(zhì)量和污染物濃度進行定點觀測，或者采用可實時監(jiān)測移動源的車載尾氣分析儀技術實現(xiàn)移動污染源的監(jiān)測采集?[4]。還有學者從港口船舶排放清單編制??[5]、港作機械設備排放清單編制?[6]等角度進行研究。

上述研究在港口大氣質(zhì)量監(jiān)測方法和排放清單編制等方面取得了一定進展，但是目前仍然缺乏對港口大氣質(zhì)量演變趨勢和影響因素的深入分析。近年來，深度學習理念由于其在復雜非線性關系、大規(guī)模數(shù)據(jù)處理、特征提取等方面的優(yōu)勢，在大量領域得到了廣泛應用。長短期記憶網(wǎng)絡（Long Short?Term Memory，LSTM）能夠很好地捕捉時間序列中的長期依賴關系，因此對研究空氣質(zhì)量預測等具有時間性質(zhì)的問題有顯著優(yōu)勢?[7]，部分學者提出通過多種深度學習模型相互結(jié)合的方式來提高預測模型精?度??[8]。

針對目前在港口大氣質(zhì)量領域研究的不足，本文基于深度學習理念，提出了一種改進的雙向長短期記憶神經(jīng)網(wǎng)絡預測模型（Bidirectional LSTM，Bi?LSTM），采用麻雀搜索算法（Sparrow Search Algorithm，SSA）對其參數(shù)進行調(diào)整，以提高模型的調(diào)整效率和收斂速度。通過多源信息融合與特征提取，將氣象數(shù)據(jù)與空氣質(zhì)量數(shù)據(jù)等進行綜合分析，提取空氣質(zhì)量相關特征，對港口空氣質(zhì)量指數(shù)演變預測進行研究。

1 Bi?LSTM 模型

1.1 LSTM神經(jīng)網(wǎng)絡

LSTM（Long?Short Term Memory）是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡，通過其設計的記憶單元，能夠有效地處理和建模時間相關的數(shù)據(jù)。相較于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡，LSTM能夠更好地捕捉時間序列中的長期依賴關系。

LSTM的主要優(yōu)勢在于其記憶單元（Memory cell）引入了遺忘門（Forget gate）、輸入門（Input gate）和輸出門（Output gate）等機制，這些機制使得LSTM網(wǎng)絡能夠選擇性地遺忘和記憶輸入序列中的信息，并控制信息的流動，避免了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡中的梯度消失和梯度爆炸問題。其結(jié)構(gòu)如圖1所示。

1.2 Bi?LSTM神經(jīng)網(wǎng)絡

Bi?LSTM模型由Graves?[9]提出，其在傳統(tǒng)LSTM模型上，同時考慮了正向和反向的歷史信息，可以更好地捕捉時間序列的上下文特征。Bi?LSTM神經(jīng)網(wǎng)絡模型包含2個獨立的LSTM結(jié)構(gòu)，分別按照時間順序和時間逆序處理序列，然后進行特征提取，將兩個網(wǎng)絡的輸出向量（即提取后的特征向量）進行聯(lián)接后形成的向量作為最終特征表達。

2 SSA改進的BI?LSTM

2.1 麻雀搜索算法

2.2 SSA?Bi?LSTM

通過SSA算法，將Bi?LSTM的學習率及迭代次數(shù)以及隱含層節(jié)點數(shù)作為優(yōu)化變量，步驟概述為：

（１）對種群、迭代次數(shù)、捕食者和加入者序列進行初始化設置。

（２）以Bi?LSTM預測值和實測值的均方根誤差作為SSA適應度值，并排序。

（３）利用式（4）～（6）進行計算，更新發(fā)現(xiàn)者、加入者、警戒者的位置。

（４）進行exp適應度值計算，更新麻雀位置。

（５）判斷是否符合終止條件，若符合則退出算法，輸出結(jié)果，否則返回步驟（2）～（4）進行迭代。

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)描述

本實驗所用數(shù)據(jù)為浙江省嘉興市乍浦港區(qū)2022年3月空氣質(zhì)量監(jiān)測數(shù)據(jù)和氣象要素監(jiān)測數(shù)據(jù)，以小時為監(jiān)測單位，共計744個監(jiān)測樣本，指標包括大氣污染監(jiān)測指數(shù)和氣象監(jiān)測數(shù)據(jù)，具體為：AQI指數(shù)、PM2.5、O3、PM10、SO2、NO2、CO、溫度、風力、降雨量、濕度。本文數(shù)據(jù)樣例如表1所示。

本模型依據(jù)前八小時的AQI指數(shù)及其他污染物濃度指標和氣象因子來預測下一小時的AQI指數(shù)，數(shù)據(jù)集被分為訓練集、驗證集與測試集，取前500組數(shù)據(jù)用于模型訓練，中間144組數(shù)據(jù)用于模型驗證，最后100組數(shù)據(jù)用于模型測試，評估模型準確率。

模型正式訓練前，數(shù)據(jù)還需要經(jīng)過異常檢測、清洗、歸一化處理等，以上全部流程可如圖2所示：

3.2 模型評價指標

3.3 實驗分析與模型評價

3.3.1 SSA?Bi?LSTM 模型預測結(jié)果分析

如圖3所示，AQI預測值與實測值呈現(xiàn)近似對角分布的狀態(tài)，且在數(shù)值低的區(qū)域和數(shù)值高的區(qū)域，點的分布比較均勻，說明通過SSA?Bi?LSTM預測的AQI指數(shù)，在整體上呈現(xiàn)出較好的預測精度與穩(wěn)定性。

如圖4所示，SSA?Bi?LSTM對AQI預測值的結(jié)果殘差整體上接近正態(tài)分布，其中有80%的預測結(jié)果的絕對誤差低于10，其中有50%的結(jié)果低于5，只有5%的結(jié)果大于15。

? 3.3.2 模型對比

為了校驗SSA?Bi?LSTM的預測性能，基于相同的數(shù)據(jù)及處理邏輯，對其他神經(jīng)網(wǎng)絡模型進行學習，其他神經(jīng)網(wǎng)絡模型包括LSTM模型、CNN?LSTM模型、Bi?LSTM模型，如圖5所示。

圖5中（a）、（b）、（c）、（d）分別顯示了LSTM模型、CNN?LSTM模型、Bi?LSTM模型、SSA?Bi?LSTM模型在AQI指數(shù)上的預測值同實測值的效果對比圖，其中橫坐標為監(jiān)測數(shù)據(jù)時間序列，縱坐標為AQI值。

其中（e）子圖中，對四種神經(jīng)網(wǎng)絡模型的表現(xiàn)情況集中觀測。從對比結(jié)果中可以看到，四種模型的預測趨勢與真實數(shù)據(jù)的走勢基本相符。CNN?LSTM和Bi?LSTM的預測效果較好，提升了LSTM模型表現(xiàn)，而SSA?BI?LSTM的預測表現(xiàn)又較CNN?LSTM和Bi?LSTM更優(yōu)。

計算了四種神經(jīng)網(wǎng)絡模型的預測值效果的評價指標，如表2所示。SSA?Bi?LSTM預測模型的 、 、 分別為8.16、6.28、14.86%，與Bi?LSTM的 、 、 相比分別降低了1.12、0.77和0.88%；與CNN?LSTM的 、 、 相比分別降低了1.05、0.77和2.22%；與LSTM的 、 、 相比分別降低了1.8、1.54和4.76%。結(jié)果顯示，SSA?Bi?LSTM在測試數(shù)據(jù)上具有更好的預測效果。

通過以上實驗和對比評估可以發(fā)現(xiàn)，本文提出的SSA?Bi?LSTM模型同實驗中提出的其他模型相比，對數(shù)據(jù)集的擬合程度更高，擁有更小的預測誤差，是一種較為高效的時間序列預測模型。

4 結(jié)論

本文針對港口大氣監(jiān)測指數(shù)領域研究的不足，基于深度學習理念，應用雙向長短期記憶神經(jīng)網(wǎng)絡，實現(xiàn)港口大氣監(jiān)測指數(shù)預測，針對Bi?LSTM模型關鍵參數(shù)難以確定問題，引入SSA算法對神經(jīng)網(wǎng)絡模型進行優(yōu)化，根據(jù)實驗結(jié)果，對比分析了各類神經(jīng)模型的表現(xiàn)情況，主要得到以下結(jié)論：

（１）以港口空氣污染物指標及氣象因素歷史數(shù)據(jù)構(gòu)建輸入序列，通過訓練神經(jīng)網(wǎng)絡模型預測港口大氣監(jiān)測指數(shù)，取得了較高的預測精度，證明了該系統(tǒng)方法的適用性。

（２）通過SSA算法對Bi?LSTM模型進行參數(shù)尋優(yōu)，提升了神經(jīng)網(wǎng)絡模型的預測精度，本文提出的SSA?Bi?LSTM模型精度較LSTM、CNN?LSTM、Bi?LSTM均有了一定程度提高。

（３）本文所提出的模型較傳統(tǒng)模型有了一定改進，但仍有誤差，未來應考慮納入更多的影響因素進行分析，如季節(jié)性、地理條件、污染物類型等，更加全面、系統(tǒng)地對港口空氣質(zhì)量演變進行研究。

參考文獻：

1. 賈大山， 徐迪， 蔡鵬. 2022年沿海港口發(fā)展回顧與2023年展望[J]. 中國港口， 2023， 367（1）： 1?12.
2. 謝飛. 大氣污染物源清單對區(qū)域環(huán)境管理的意義[J]. 資源節(jié)約與環(huán)保， 2020（1）： 37.
3. 楊秀妍. 天津港口區(qū)域大氣污染特征與對策措施研究[J]. 中國人口·資源與環(huán)境， 2015， 25（2）： 337?340.
4. 王甲智， 洪文俊. 港口大氣環(huán)境主要污染物及其檢測方法的探討[J]. 中國水運 （下半月） ， 2019， 19（7）： 135?136.
5. 劉歡， 商軼， 金欣欣， 等. 船舶排放清單研究方法及進展[J]. 環(huán)境科學學報， 2018， 38（1）： 1?12.
6. 武偉佳， 李延文， 馬曉鳳， 等. 基于吞吐量的集裝箱碼頭卡車污染擴散研究[J]. 交通信息與安全， 2018， 36（4）： 113?119132.
7. 李明明， 王雁， 閆世明， 等. 太原市PM2.5濃度的氣象特征影響分析及預報[J]. 環(huán)境科學， 2023， 44（2）： 611?625.
8. 劉媛媛. 融合CNN?LSTM和注意力機制的空氣質(zhì)量指數(shù)預測[J]. 計算機時代， 2022（1）： 58?60.
9. Graves A， Schmidhuber J. Framewise phoneme classification with Bidirectional LSTM and other neural network architectures[J]. Neural Networks， 2005， 18（5?6）： 602–610.
10. XUE J K， Shen B. A novel swarm intelligence optimization approach：sparrow search algorithm[J]. Systems Science amp; Control Engineering， 2020， 8（1）： 22?34.