文章详情

摘要

空气质量指数（AQI）作为衡量环境空气质量的关键指标，其准确预测对于环境政策制定及公共健康保障具有重要意义。然而，传统预测方法在处理空气质量数据的复杂性方面存在局限性。为克服这一局限性，文章提出一种基于长短期记忆（LSTM）网络的AQI预测模型，结合南京市近10年的空气质量与气象数据，通过特征筛选、超参数优化与模型构建，实现对AQI的时序预测。结果表明：优化后的LSTM模型在测试集上均方根误差（RMSE）为21.034 9，平均绝对百分比误差（MAPE）为28.10%，决定系数（R2）为0.539 0，预测精度优于支持向量机（SVM）模型和BP神经网络模型。该模型为城市空气质量动态预测提供了一种有效的深度学习解决方案，并为环境管理决策提供了技术参考。

关键词

AQI；LSTM；时间序列预测；超参数优化；环境管理

参考文献

1. [1] 史学良，李梁，赵清华.基于改进LSTM网络的空气质量指数预测 [J].统计与决策，2021，37（16）：57-60.
2. [2] 牟敬锋，赵星，樊静洁，等.基于ARIMA模型的深圳市空气质量指数时间序列预测研究 [J].环境卫生学杂志，2017，7（2）：102-107，117.
3. [3] 肖德林，邓仕槐，邓小函，等.达州市城区环境空气质量变化趋势及CMAQ模型预报分析 [J].中国环境监测，2021，37（4）：92-103.
4. [4] 华俊玮，白琳，邢程，等.基于随机森林算法的滁州市空气质量预报研究 [J].环境监测管理与技术，2024，36（1）：74-78.
5. [5] 陈金车，迪里努尔·牙生，王田宇，等.3种机器学习方法对空气污染预报效果的对比 [J].兰州大学学报（自然科学版），2023，59（5）：638-646.
6. [6] 刘颖，陈旭东，周觅，等.基于多维多步长LSTM网络的区域AQI预测研究 [J].工业安全与环保，2022，48（10）：100-103.
7. [7] 吉丹俊.城市空气质量指数的时间序列分析和预测——以扬州市为例 [J].无锡商业职业技术学院学报，2024，24（1）：59-65.
8. [8] GRAVES A. Supervised Sequence Labelling with Recurrent Neural Networks [M].Berlin：Springer，2012.
9. [9] Li L S，Kevin J，Giulia D，et al. Hyperband： A Novel Bandit-Based Approach to Hyperparameter Optimization [J].JOURNAL OF MACHINE LEARNING RESEARCH，2018，18（185）：1-52.
10. [10] 姜宇，马廷淮.基于CNN-LSTM-Attention网络的河南省冬小麦产量预测 [J].麦类作物学报，2024，44（10）：1352-1359.

作者简介

史佳宜（2001—），女，汉族，江苏泰州人，硕士研究生在读，研究方向：运筹优化。