基于改进BCCSA和深层LSTM的空气质量预测方法-AET-电子技术应用

基于改进BCCSA和深层LSTM的空气质量预测方法

2022年电子技术应用第6期

韦诗玥，徐洪珍

东华理工大学信息工程学院，江西南昌330013

摘要： 现有的空气质量预测方法很少考虑季节性因素，且预测的效果不佳，因此提出一种基于改进二元混沌乌鸦搜索算法(Binary Chaotic Crow Search Algorithm，BCCSA)和深层长短期记忆神经网络(Long Short Term Memory，LSTM)的空气质量预测方法。首先提出季节调整的方法对收集的原始空气质量数据进行预处理，以消除季节对预测的影响；然后提出改进BCCSA，对空气质量数据进行优化处理；最后，将自注意力机制加入到深层LSTM中，对空气质量数据进行预测。实验结果表明，该方法能有效地提高空气质量的预测精度。

关键词： 空气质量季节调整改进BCCSA 深层LSTM 自注意力机制

中图分类号： TP399
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222731
中文引用格式： 韦诗玥，徐洪珍. 基于改进BCCSA和深层LSTM的空气质量预测方法[J].电子技术应用，2022，48(6)：28-32.
英文引用格式： Wei Shiyue，Xu Hongzhen. Air quality prediction method based on improved BCCSA and deep LSTM[J]. Application of Electronic Technique，2022，48(6)：28-32.

Air quality prediction method based on improved BCCSA and deep LSTM

Wei Shiyue，Xu Hongzhen

School of Information Engineering，East China University of Technology，Nanchang 330013，China

Abstract： The existing air quality prediction methods rarely consider seasonal factors, and the prediction effect is not good. Therefore, an air quality prediction method based on improved binary chaotic crow search algorithm(BCCSA) and deep long short term memory neural network(LSTM) is proposed. Firstly, the method of seasonal adjustment is proposed to preprocess the collected original air quality data in order to eliminate the influence of season on prediction. Then, an improved BCCSA is proposed to optimize the air quality data. Finally, the self-attention mechanism is added to the deep LSTM to predict the air quality data. The experimental results show that this method can effectively improve the prediction accuracy of air quality.

Key words : air quality；seasonal adjustment；improved binary chaotic crow search algorithm(BCCSA)；deep long short term memory(LSTM)；self-attention mechanism

0 引言

随着社会的发展和生活质量的提高，人们不再是关注温饱问题，更多地开始关注健康问题。被污染了的空气会给人类健康带来危害，特别是在人口稠密的地区^[1]。空气质量是一个十分复杂的现象，会受到许多因素的影响^[2]。空气质量能够通过计算空气中的污染物来反映空气污染的严重程度，通常用空气质量指数(Air Quality Index，AQI)来进行定量描述。有效的空气质量预测能够为人们提供及时的空气质量警报，能够使政府部门及时干预高污染事件，能够提醒人们是否适宜进行户外活动。严重的空气污染不仅会影响人们的生活，更会影响人们的生命健康^[3]。准确地进行空气质量预测对国家、政府、民众来说都是一件重要的事。

空气质量数据具有明显的季节性，如果忽视这一因素，会导致对空气质量数据的预处理不够充分并且预测精度不够高，所以本文提出季节调整的空气质量数据预处理方法。本文首次将二元混沌乌鸦搜索算法(Binary Chaotic Crow Search Algorithm，BCCSA)应用于空气质量数据的预测，能够更好地优化非线性、非平稳的空气质量数据，并针对BCCSA存在的不足，提出3种改进方法用以提高它的收敛速度。本文还将自注意力机制与深层长短期记忆神经网络(Long Short Term Memory，LSTM)相结合来预测经过处理的空气质量数据，能有效挖掘空气质量数据中隐藏的时间序列信息，提高了方法的预测精度。现有的研究大多都是对空气质量进行未来几个小时的短期预测，而本文对空气质量进行了未来24小时的预测，并且具有较高的精度。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004414。

作者信息：

韦诗玥，徐洪珍

(东华理工大学信息工程学院，江西南昌330013)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容