基于降噪自编码深度网络的空气质量预测模型

为了解决现有空气污染物预测模型预测精度低的问题，设计了一种基于长短期记忆（LSTM）网络的去噪自动编码器深度网络（DAEDN）模型。 该模型创建了一个具有LSTM网络的降噪自动编码器，以提取原始监测数据的固有空气质量特征，并对监测数据进行降噪处理，以提高空气质量预测的准确性。 将DAEDN模型中的LSTM网络结构设计为双向LSTM（Bi-LSTM），以解决单向LSTM预测结果中的滞后问题，从而进一步提高预测模型的预测精度。 利用空气污染物时间序列数据，使用北京在过去5年中收集的每小时PM2.5浓度数据对DAEDN模型进行了训练。 实验结果表明，训练完成后，DAEDN模型可以从嘈杂的输入中提取出