凌德森，王曉凱

(山西大學(xué) 物理電子工程學(xué)院，太原 030006)

0 引言

經(jīng)過藍(lán)天保衛(wèi)戰(zhàn)的努力，我國城市的細(xì)顆粒物(PM2.5)已經(jīng)下降了許多，但在北方的很多城市到了秋冬季節(jié)后，霧霾現(xiàn)象依然很嚴(yán)重，嚴(yán)重影響了人們的日常生活，而霧霾的主要成分為細(xì)顆粒物(PM2.5)，因此對PM2.5值的預(yù)測對空氣污染防治、守護(hù)藍(lán)天保衛(wèi)成果具有重要意義。

目前，國內(nèi)外的學(xué)者在PM2.5預(yù)測方面已有了大量的研究[1]，主要的方法有數(shù)據(jù)驅(qū)動方法[2]，如Rui Zhao等[3]利用多元線性回歸(MLR，multiple linear regression)模型來實現(xiàn)PM2.5的短期預(yù)測，Liu Wei等[4]利用粒子群算法優(yōu)化支持向量機(jī)(SVM，support vector machine)對PM2.5等級進(jìn)行預(yù)測，之后隨著人工神經(jīng)的發(fā)展，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個分支，是經(jīng)典機(jī)器學(xué)習(xí)的一個進(jìn)步。與經(jīng)典機(jī)器學(xué)習(xí)不同，經(jīng)典機(jī)器學(xué)習(xí)仍然需要人工輔助來提取特征，深度學(xué)習(xí)具有自動學(xué)習(xí)原始數(shù)據(jù)特征的優(yōu)點。如賈佳美等[5]利用BP神經(jīng)網(wǎng)絡(luò)對PM2.5日均濃度進(jìn)行預(yù)測；Jeya[6]等利用雙向LSTM模型預(yù)測PM2.5污染物濃度，并采用均方根誤差、平均絕對誤差以及平均絕對百分比誤差進(jìn)行誤差評估分析，最終結(jié)果表明此模型相較于對比模型精度得到了較大的提升。另外，混合預(yù)測模型也是最近幾年重點研究對象，如Bai等[7]利用改進(jìn)的極限學(xué)習(xí)機(jī)結(jié)合離群點檢測和校正算法、數(shù)據(jù)分解策略和多目標(biāo)優(yōu)化算法，形成了PM2.5濃度的混合模型，蔣洪訊等[8]提出了一種基于小波分解(WD，wavelet decomposition)的長短期記憶網(wǎng)絡(luò)(LSTM，long short-term memory network)用來預(yù)測PM2.5的濃度，結(jié)果表明數(shù)據(jù)經(jīng)過分解處理后，能夠降低數(shù)據(jù)噪聲的影響，提高模型的預(yù)測性能。為了提高模型的預(yù)測精度，學(xué)者還利用模型對數(shù)據(jù)的隱藏特征進(jìn)行提取，如Jin等[9]利用經(jīng)驗?zāi)B(tài)分解(EMD，empirical mode decomposition)將PM2.5數(shù)據(jù)進(jìn)行分解，并將分解后的數(shù)據(jù)根據(jù)頻率分量進(jìn)行分組，最后利用CNN-GRU模型進(jìn)行預(yù)測，實驗結(jié)果表明利用卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolution neural network)網(wǎng)絡(luò)進(jìn)行特征提取之后會進(jìn)一步提高模型的預(yù)測精度，衛(wèi)曉旭等[10]提出一種多元預(yù)測模型，先利用CNN網(wǎng)絡(luò)對多因素數(shù)據(jù)進(jìn)行空間特征提取，再使用雙向長短期記憶(BiLSTM，bidirectional long short-term memory network)網(wǎng)絡(luò)對多因素數(shù)據(jù)中包含的時間特征進(jìn)行挖掘并預(yù)測，進(jìn)一步提高了模型對污染物濃度預(yù)測的精度。但是該模型先對數(shù)據(jù)的空間特征進(jìn)行提取，再對時間特征進(jìn)行挖掘，這可能會導(dǎo)致在空間特征提取后數(shù)據(jù)中某些時間特征被忽略的問題。

目前，雖然很多的模型也都考慮了多因素之間的相互影響[11-13]，但多數(shù)的研究中只是偏向于對數(shù)據(jù)的時間特征信息或空間特征信息的挖掘，并沒有同時對時間特征和空間特征進(jìn)行提取，如前文介紹的CNN網(wǎng)絡(luò)，雖然相較于單一模型有了很大的提升，但模型對數(shù)據(jù)特征的提取不夠完善，不能很好的挖掘數(shù)據(jù)的隱藏信息，也是阻礙預(yù)測精度提升的原因。因此本文提出了一種時空特征提取的PM2.5濃度預(yù)測模型方法，為了能夠更容易獲取預(yù)測數(shù)據(jù)的內(nèi)部特征，先利用STL算法對預(yù)測序列進(jìn)行分解，再將分解后的序列混合著其他污染物數(shù)據(jù)和大氣因素數(shù)據(jù)傳入ConvLSTM網(wǎng)絡(luò)進(jìn)行時間特征和空間特征進(jìn)行同時提取，之后傳入到利用貝葉斯優(yōu)化后的GRU網(wǎng)絡(luò)進(jìn)行預(yù)測。結(jié)果表明，本文提出的模型具有更高的精度。

1 研究方法的基本原理

1.1 ConvLSTM網(wǎng)絡(luò)

ConvLSTM是雙重組合的深度學(xué)習(xí)方法，它是 LSTM 架構(gòu)的混合變體，使用卷積算子而不是矩陣乘法來進(jìn)行狀態(tài)輸入和狀態(tài)到狀態(tài)轉(zhuǎn)換[14]。這使算法能夠處理時空數(shù)據(jù)并使用本地鄰居的輸入和先前的狀態(tài)來確定網(wǎng)格中特定單元格的即將到來的狀態(tài)[15]。其運行機(jī)制如下：

it=σ(Wxi*Xt+Whi*Ht-1+Wci°Ct-1+bi)

(1)

ft=σ(Wxf*Xt+Whf*Ht-1+Wcf°Ct-1+bf)

(2)

Ct=ft°Ct-1+it°tanh(Wxc*Xt+Whc*Ht-1+bc)

(3)

ot=σ(Wxo*Xt+Who*Ht-1+Wco°Ct+bo)

(4)

Ht=ot°tanh(Ct)

(5)

式(1)～(5)中：*和o分別表示卷積和Hadamard乘積，i，f和o分別表示輸入門、遺忘門和輸出門，H表示時間序列的隱藏狀態(tài)，C表示每個細(xì)胞的輸出，σ為激活函數(shù)，W表示連接狀態(tài)之間的權(quán)重。

1.2 STL分解算法

STL分解算法是一種常見的時間序列分解算法，它通過局部加權(quán)回歸(Loess)[16]將時間序列分解為趨勢項、季節(jié)項和隨機(jī)波動的殘差項，如式(6)表示。

xt=Tt+St+Rt，t=1，2，…，N

(6)

其中：xt、Tt、St和Rt分別表示在t時刻的時間序列觀測值、趨勢項、季節(jié)項和殘差項。另外STL可分為內(nèi)循環(huán)和外循環(huán)，其中內(nèi)循環(huán)主要用來進(jìn)行趨勢擬合和周期分量的計算，內(nèi)循環(huán)的主要步驟如下。

步驟4：將步驟2得到的時間序列進(jìn)行趨勢項去除，為：

(7)

步驟7：判斷步驟6得到的時間序列是否收斂，若不收斂重新執(zhí)行步驟1到步驟6，直到時間序列收斂，若收斂則內(nèi)循環(huán)結(jié)束。

外循環(huán)通過引入穩(wěn)健權(quán)重來處理內(nèi)循環(huán)中出現(xiàn)的異常殘差值，可以減少迭代過程中異常值的影響，從而提高了算法的魯棒性[17]。

1.3 貝葉斯優(yōu)化

貝葉斯優(yōu)化是由Pelikan等[18]學(xué)者在1998年提出的，它在已知有限樣本條件下，通過構(gòu)造黑箱函數(shù)輸出的后驗概率來尋找函數(shù)的最優(yōu)值，其主要目標(biāo)是在超參數(shù)空間內(nèi)尋找到泛化性能最優(yōu)的多維超參數(shù)x*，公式如下：

(8)

式中，f(x)是超參數(shù)向量x到模型泛化性能的映射。由于用黑箱函數(shù)評估模型代價高昂且復(fù)雜，為了克服此缺點，常常利用高斯過程模型作為代理模型來評估模型，改進(jìn)后的模型可以考慮之前的參數(shù)信息，不斷地更新先驗知識[19]。在超參數(shù)優(yōu)化的問題中，貝葉斯優(yōu)化是當(dāng)前為數(shù)不多的，具有較好的收斂性理論保證的超參數(shù)估計方法[20]。

1.4 GRU網(wǎng)絡(luò)

GRU網(wǎng)絡(luò)是Chung等[21]在2014年提出的一種新的RNN變體循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體，是在LSTM網(wǎng)絡(luò)上的進(jìn)一步的改進(jìn)，它能夠在降低了細(xì)胞結(jié)構(gòu)復(fù)雜度的同時，保證和LSTM的模型精度相當(dāng)?shù)耐瑫r，提高網(wǎng)絡(luò)的運行效率，使得網(wǎng)絡(luò)在訓(xùn)練中能夠更快的收斂[22]。其前向傳公式如下：

rt=σ(Wr·[ht-1，xt])

(9)

zt=σ(Wz·[ht-1，xt])

(10)

(11)

(12)

2 實驗方法與實驗數(shù)據(jù)

2.1 實驗方法

為了使模型具備時空特征提取的能力，本文采用ConvLSTM模型進(jìn)行時空特征提取，將提取后的特征再利用GRU網(wǎng)絡(luò)進(jìn)行預(yù)測。此外，在加入多種特征因素后，直接使用空氣污染物原始數(shù)據(jù)進(jìn)行預(yù)測，會降低模型的預(yù)測精度，因此采用STL分解算法先將待預(yù)測的空氣污染物序列進(jìn)行分解，再進(jìn)行預(yù)測。模型結(jié)構(gòu)如圖1，具體步驟如下。

圖1 STL-ConvLSTM-GRU模型的整體結(jié)構(gòu)

步驟1：為了解決各種數(shù)據(jù)輸入量綱不一致的問題，這里將要預(yù)測的污染物濃度序列、相關(guān)的污染物濃度序列，以及氣象因素數(shù)據(jù)進(jìn)行歸一化處理，原始數(shù)據(jù)主要是空氣污染物濃度數(shù)據(jù)。又因原始數(shù)據(jù)的分布改變可能會造成空氣污染物濃度分布信息的丟失，為了保證歸一化處理后的數(shù)據(jù)不改變原始數(shù)據(jù)的分布情況，因此本文利用Max-Min方法對數(shù)據(jù)作歸一化處理。

(13)

式中，yi為歸一化后的數(shù)據(jù)，xi為原始數(shù)據(jù)，xmax，xmin分別為原始數(shù)據(jù)中的最大值、最小值。

步驟2：將歸一化后的待預(yù)測的PM2.5污染物濃度序列，采用STL算法進(jìn)行分解得到季節(jié)性序列、趨勢序列和殘差序列，能夠有效降低序列中噪聲的影響，并更有利于提高后續(xù)對數(shù)據(jù)特征的提取。

步驟3：將步驟2得到的3種子序列分別加入歸一化后的其他污染物濃度序列及氣象因素，并分別利用ConvLSTM模型進(jìn)行時空特征提取，時空特征的提取能夠更加突出對預(yù)測效果影響更大的因素的影響，提高模型預(yù)測的準(zhǔn)確率。

步驟4：利用步驟3提取得到的特征值作為GRU網(wǎng)絡(luò)的輸入值，預(yù)測結(jié)構(gòu)的誤差值作為目標(biāo)函數(shù)，使用貝葉斯算法對GRU網(wǎng)絡(luò)進(jìn)行超參數(shù)優(yōu)化。

步驟5：利用步驟4優(yōu)化好的GRU預(yù)測模型對步驟3處理后的子序列分別進(jìn)行預(yù)測，為了降低模型過擬合的問題，在GRU層后增加Dropout層，Dropout正則化方法能夠有效較低模型過擬合的問題。步驟6：將子序列預(yù)測結(jié)果通過Dense層進(jìn)行輸出，將最后的子序列預(yù)測結(jié)果疊加，并進(jìn)行反歸一化操作得到最終的預(yù)測結(jié)果。

2.2 數(shù)據(jù)來源與相關(guān)性分析

本文選擇以某市2017年1月1日至2017年7月31日每小時采樣一次的歷史實時空氣污染物濃度數(shù)據(jù)為研究樣例，數(shù)據(jù)集收集于中國環(huán)境檢測總站的全國城市空氣質(zhì)量實時發(fā)布平臺(https：//air.cnemc.cn)和真氣網(wǎng)(https：//www.aqistudy.cn/)發(fā)布的數(shù)據(jù)[23]，其中包括PM10、PM2.5、SO2、NO2、O3和CO 6項主要污染物濃度以及溫度、濕度、風(fēng)級、風(fēng)向4種氣象數(shù)據(jù)。

由于空氣污染物濃度和氣象數(shù)據(jù)收集過程十分不易，因此造成收集到的數(shù)據(jù)部分缺失，對于缺失的數(shù)據(jù)分別按照污染物和氣象數(shù)據(jù)來進(jìn)行補(bǔ)缺，對于空氣污染物的缺失值采用相鄰數(shù)據(jù)取均值的方法，即將空缺處的污染物數(shù)據(jù)利用其上一時刻和下一時刻的值進(jìn)行平均運算得出，氣象數(shù)據(jù)則直接使用0值來補(bǔ)全。補(bǔ)全后的各污染物濃度數(shù)據(jù)如圖2所示。

從圖2中可以直觀的看出六種空氣污染物濃度之間的波動具有一定的相關(guān)性，其中PM2.5、PM10、SO2、NO2、CO五種空氣污染物濃度的變化表現(xiàn)出一種同增同減的正相關(guān)性，而O3與其它5種空氣污染物濃度之間表現(xiàn)出一種一減一增的負(fù)相關(guān)性。為了更加深入的研究六種空氣污染物之間存在的相關(guān)性，本文利用皮爾遜(Pearson)相關(guān)系數(shù)進(jìn)行相關(guān)性研究。

Pearson相關(guān)系數(shù)是英國數(shù)學(xué)家卡爾·皮爾遜在弗朗西斯·高爾頓的研究基礎(chǔ)之上演變?yōu)閬?。Pearson相關(guān)系數(shù)可以用來表示兩個變量之間的相關(guān)性，反應(yīng)兩個變量之間變化趨勢的方向以及程度[24]。若有兩個長度為n的序列{x1，x2，…，xi，…xn} 和{y1，y2，…，yi，…yn} ，則Pearson相關(guān)系數(shù)r的計算公式為：

(14)

圖3 六種空氣污染物濃度之間的相關(guān)系數(shù)

從空氣污染物濃度的Pearson相關(guān)系數(shù)圖(圖3)中可以看出，PM2.5、PM10、SO2、NO2、CO、O3六種空氣污染物濃度之間相互存在著一定的相關(guān)性，其中PM10、PM2.5、SO2、NO2、CO之間相互呈現(xiàn)不同程度的正相關(guān)性，O3和其他5種空氣污染物之間呈現(xiàn)不同程度的負(fù)相關(guān)性。

2.3 實驗設(shè)備

為了保證所有實驗?zāi)Ｐ偷墓叫?，本次所有實驗均在Windows11系統(tǒng)下，利用Python3.6、Matlab R2019b以及tensorflow2.0平臺搭建和運行實驗?zāi)Ｐ汀?/p>

3 實驗過程與結(jié)果分析

3.1 STL分解

圖4 經(jīng)STL分解后的PM2.5濃度

為了能夠更加準(zhǔn)確地獲取時間序列的內(nèi)部特征，將待預(yù)測的PM2.5濃度時間序列進(jìn)行STL分解，經(jīng)過多次實驗后，將STL分解周期設(shè)置為230小時，得到PM2.5的季節(jié)分量、反映PM2.5變化趨勢的趨勢項、以及反映PM2.5隨機(jī)波動的殘余項。從圖4中可以看出雖然PM2.5數(shù)據(jù)的波動比較混亂，但是仍然具有一定的周期性規(guī)律，從分解后的趨勢項來看從1月到7月的這段時間內(nèi)隨著氣溫的逐漸升高，PM2.5濃度逐漸下降并慢慢趨于平穩(wěn)，這種現(xiàn)象表明霧霾等PM2.5污染現(xiàn)象的出現(xiàn)可能和冬季取暖消耗的資源較多有一定的聯(lián)系。

3.2 模型參數(shù)的選擇

在模型構(gòu)建過程中需要設(shè)置模型的參數(shù)，參數(shù)的選擇也是模型構(gòu)建的重點，合適的參數(shù)關(guān)系到模型的預(yù)測誤差和泛化能力[25]。在實際應(yīng)用的過程中ConvLSTM網(wǎng)絡(luò)卷積核的熟練關(guān)系到模型對特征提取的完整程度，而GRU網(wǎng)絡(luò)中神經(jīng)元的數(shù)量、學(xué)習(xí)率的大小、正則化率的大小、迭代次數(shù)都影響著模型的最終預(yù)測結(jié)果，因此設(shè)置合適的超參數(shù)是十分重要的。

以往在超參數(shù)選擇中無論是根據(jù)自己的經(jīng)驗來不斷地嘗試，還是利用網(wǎng)格搜索法來進(jìn)行多種嘗試，都不僅耗時耗力，還會因為個人經(jīng)驗的積累程度影響到最終的結(jié)果。根據(jù)1.3節(jié)的分析可知，貝葉斯優(yōu)化算法能夠較大范圍的搜索超參數(shù)的范圍，減少模型陷入局部最優(yōu)的情況。因此本文采用貝葉斯尋優(yōu)算法來降低人力的消耗，減少嘗試法以及網(wǎng)格搜索法帶來的個人經(jīng)驗的影響。貝葉斯尋優(yōu)步驟如下：

1)設(shè)定這5個參數(shù)的選擇范圍，以及每次搜索參數(shù)的步長；

2)設(shè)置初始化尋優(yōu)參數(shù)，利用控制變量的方法，先固定一個超參數(shù)的大小，依次對其它超參數(shù)進(jìn)行遍歷，建立不同的預(yù)測模型；

3)每次建立的模型都會計算一次模型運行的誤差值，對比每一次誤差值的大小，選擇出這一組最優(yōu)的超參數(shù)。

4)調(diào)整之前固定參數(shù)的大小，再次對其它超參數(shù)進(jìn)行遍歷，根據(jù)3)的描述再次選擇出一組最優(yōu)的超參數(shù)；

5)當(dāng)所有的選擇參數(shù)都進(jìn)行遍歷尋優(yōu)之后，對比每一組最優(yōu)超參數(shù)下的誤差值，選擇出計算誤差最小的一組作為模型的最優(yōu)超參數(shù)。

因為經(jīng)過STL分解后的PM2.5數(shù)據(jù)有三項，所有將同一模型根傳入數(shù)據(jù)的不同，分別進(jìn)行超參數(shù)優(yōu)化。貝葉斯尋優(yōu)的最終結(jié)果如表1所示。

表1 貝葉斯尋優(yōu)結(jié)果

3.3 評價指標(biāo)

為了能夠更好的衡量模型的預(yù)測效果，本文采用了3個評價指標(biāo)：平均絕對誤差(MAE，mean absolute error)、均方根誤差(RMSE，root mean squared error)和平均絕對百分比誤差(MAPE，mean absolute percentage error)來分析預(yù)測結(jié)果與真實值之間偏差。一般來說RMSE、MAE和MAPE值越小則預(yù)測結(jié)果與真實值之間的偏差越小，模型預(yù)測效果越好；

(15)

(16)

(17)

3.4 實驗結(jié)果分析

將討論的PM2.5數(shù)據(jù)經(jīng)STL算法分解成季節(jié)項、趨勢項和殘余項3個子序列，如3.1節(jié)分析，并將3個子序列分別與其他5種污染物數(shù)據(jù)以及溫度、濕度、風(fēng)級、風(fēng)向4種氣象數(shù)據(jù)的前4 882條數(shù)據(jù)作為訓(xùn)練集、后206條數(shù)據(jù)作為測試集，預(yù)測步長選擇8小時，即使用前的8個小時的數(shù)據(jù)預(yù)測預(yù)測后1個小時的值。模型預(yù)測結(jié)果如圖5所示。

圖5 模型預(yù)測結(jié)果

從圖5可以看出，STL-ConvLSTM-GRU模型的PM2.5濃度預(yù)測結(jié)果與實際PM2.5濃度的整體趨勢較為貼合，符合PM2.5濃度的變化波動趨勢。雖然在某些PM2.5濃度變化波動復(fù)雜的時間內(nèi)，該模型的預(yù)測結(jié)果和實際PM2.5濃度有一些誤差，但從PM2.5濃度的變化趨勢上看，預(yù)測結(jié)果與實際值也是相符合的，表明該模型能夠較為準(zhǔn)確的預(yù)測PM2.5濃度值，并且在PM2.5濃度變化復(fù)雜的情況下也能很好的預(yù)測PM2.5的波動趨勢。

3.5 對比實驗

為了驗證本文提出模型的優(yōu)劣性，除了本文主要的研究模型外，還搭建了ConvLSTM-GRU模型、常見的CNN-GRU模型以及GRU模型作為實驗對比模型。

從GRU網(wǎng)絡(luò)的預(yù)測結(jié)果圖(圖6)可以看出，在相同模型參數(shù)的情況下，GRU網(wǎng)絡(luò)對PM2.5濃度的預(yù)測結(jié)果與實際值的偏離度較大，甚至在一些PM2.5濃度波動較為復(fù)雜的情形下，基本失去了預(yù)測PM2.5濃度趨勢的可能性。

將GRU網(wǎng)絡(luò)的預(yù)測結(jié)果與ConvLSTM-GRU模型和CNN-GRU模型的PM2.5濃度預(yù)測結(jié)果(圖7、8)進(jìn)行對比可以發(fā)現(xiàn)，雖然ConvLSTM-GRU模型和CNN-GRU模型的預(yù)測結(jié)果離真實值都有著一定的差距，但是通過比較這3種模型預(yù)測結(jié)果與實際值的擬合程度，可以得出在這3種模型中僅僅使用單一GRU模型進(jìn)行預(yù)測的效果最差，與實際走勢的偏離度最高，預(yù)測值與實際值的偏差最大，而另外兩種模型雖然也與真實值有所差距，但預(yù)測結(jié)果與實際值的偏離度卻有著明顯的改善，因此可以得出在對PM2.5濃度預(yù)測前對多因素數(shù)據(jù)進(jìn)行特征提取，能夠有效的提高模型對PM2.5濃度的預(yù)測準(zhǔn)確率。

圖6 GRU網(wǎng)絡(luò)的預(yù)測結(jié)果

通過對比ConvLSTM-GRU模型和CNN-GRU模型的PM2.5濃度預(yù)測結(jié)果，發(fā)現(xiàn)采用ConvLSTM進(jìn)行時空特征提取之后，對于PM2.5濃度波動比較頻繁的部分以及濃度趨勢變化較尖銳的時刻，預(yù)測結(jié)果更加貼近真實PM2.5濃度的走勢，再通過觀察表2中各評價指標(biāo)值，可以得出ConvLSTM-GRU模型RMSE、MAE以及MAPE的值要小于使用CNN進(jìn)行特征提取的CNN-GRU模型，因此可以得出ConvLSTM-GRU模型的預(yù)測效果要優(yōu)于CNN-GRU模型，也即是使用ConvLSTM進(jìn)行時間和空間的特征提取后，比僅僅利用CNN網(wǎng)絡(luò)進(jìn)行空間特征提取更加有效的提高了模型的預(yù)測精度。

圖7 CNN-GRU模型的預(yù)測結(jié)果

圖8 ConvLSTM-GRU模型的預(yù)測結(jié)果

通過對比STL-ConvLSTM-GRU模型和ConvLSTM-GRU模型的預(yù)測結(jié)果和結(jié)果評估表可以看出，STL-ConvLSTM-GRU模型的預(yù)測結(jié)果要更加優(yōu)于ConvLSTM-GRU模型的預(yù)測結(jié)果，這表明使用STL分解算法對PM2.5數(shù)據(jù)進(jìn)行分解，能夠更有效的突出數(shù)據(jù)中隱藏的特征信息、降低噪聲對PM2.5濃度預(yù)測模型的影響，并進(jìn)一步提高模型的預(yù)測準(zhǔn)確度。

通過對比4種模型的RMSE、MAE和MAPE三種評價指標(biāo)，STL-ConvLSTM-GRU模型相較于其它3種模型，RMSE分別降低了5.5%、12.54%、16.54%；MAE分別降低8.2%、18.05%、28.82%，MAPE也有著不同程度的降低。從以上的分析可以得出，STL-ConvLSTM-GRU模型的預(yù)測結(jié)果相較于其它3種模型效果更優(yōu)，整體結(jié)果更加貼近真實的PM2.5濃度的變化趨勢。

表2 4種預(yù)測模型性能對比

4 結(jié)束語

1)相較于單一的GRU模型，經(jīng)過ConvLSTM進(jìn)行時空特征提取后的GRU模型預(yù)測效果更好，因此采用ConvLSTM對PM2.5數(shù)據(jù)進(jìn)行時空特征提取具有可行性。ConvLSTM-GRU模型比GRU模型的RMSE、MAE、MAPE分別降低了11.67%、22.95%、8.38%。

2)通過對比ConvLSTM-GRU模型和CNN-GRU模型的預(yù)測結(jié)果，可以得出采用ConvLSTM對數(shù)據(jù)進(jìn)行時間和空間的特征提取能夠更多的挖掘出PM2.5濃度數(shù)據(jù)中的隱藏信息，提高模型的預(yù)測技能高度。

3)由于多變量預(yù)測的復(fù)雜性較高，為了更好的提取內(nèi)部特征信息，利用STL算法先將待預(yù)測的PM2.5數(shù)據(jù)分解，再和其它影響因素一起利用ConvLSTM進(jìn)行時空特征提取，相較于ConvLSTM-GRU模型，STL-ConvLSTM-GRU模型更進(jìn)一步提高了預(yù)測精度，證明了本文所研究的模型優(yōu)越性。

4)本文只是將影響因素一并傳入到預(yù)測模型中，并沒有考慮影響因素與待預(yù)測序列之間相關(guān)度大小的影響，因此后面將對數(shù)據(jù)之間相關(guān)度大小的影響進(jìn)行實驗。