基于深度学习和支持向量机集成学习的PM_2.5浓度24 h预测

摘要

提前24 h准确预测PM_2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM_2.5浓度24 h预测的性能和泛化能力，在传统循环神经网络（RNN）模型上添加支持向量回归（SVR）作为下采样层提取非线性特征并降维；然后添加多核卷积神经网络（CNN）提升特征表达能力；最后利用门控循环网络（GRU）可记忆时间序列中长期信息的优势进行时序预测以保证结果的稳定性.对集成SVR-CNN-GRU模型，以2015年1月1日至2020年4月10日武汉及其周边13城市的空气质量数据和地面气象数据为样本进行实例验证，结果表明，SVR-CNN-GRU在武汉市PM_2.524 h预测上的表现明显优于集成之前的RNN、SVR和随机森林回归方法，而且泛化能力更强，拟合优度达到0.97,能够实现高准确度预测，达到提前24 h预警的目的.

关键词

PM_2.5浓度预测 / 循环神经网络 / 支持向量机 / 深度学习 / 集成学习