基于 LSTM 的空气质量历史关联模型研究

文丽 霞*, 郑 乃瑞, 王 浩宇, 邓 小超
西南交通大学地球科学与环境工程学院

摘要

空气质量关乎个人健康和社会的发展，科学有效的空气质量预测具有十分重要的意义。空气质量指数（AQI）具有
时序性，以往的研究大多忽略了其在时间维度上的特性，也没有对污染物排放量与空气质量的关系进行深入的探讨。为此，
本研究充分考虑 AQI 数据的时序特征，结合大气污染物排放量，采用长短期记忆网络（LSTM），建立基于时间序列的空气
质量历史关联模型。提出 AQI 间接预测模式，即先预测空气质量分指数，再根据 AQI 计算公式得出当日 AQI 值。设计四组
实验方案，将 AQI、空气质量分指数以及大气污染物排放量之间进行变量组合寻优，对比直接预测模式与间接预测模式，以
及加入大气污染物排放量前后的预测效果。研究结果表明，间接预测模式可以达到相对更好的预测效果。

关键词

AQI 间接预测；时间序列预测；大气污染物排放量；LSTM

参考

[1] Li H, Wang J, Li R, et al. Novel analysis–forec

ast system based on multi-objective optimization for air qu

ality index[J]. Journal of Cleaner Production. 2019, 208: 1

365-1383. [2] Chhikara P, Tekchandani R, Kumar N, et al. Fede

rated Learning and Autonomous UAVs for Hazardous Zone Detection and AQI Prediction in IoT Environment[J]. IEE

E Internet of Things Journal. 2021, 8(20): 15456-15467.

[3] Sethi J K, Mittal M. Analysis of Air Quality usin

g Univariate and Multivariate Time Series Models[Z]. Noi

da, India: 2020823-827. [4] Yong Yu, Xiaosheng Si, Changhua Hu, Jianxun Z

hang; A Review of Recurrent Neural Networks: LSTM Ce

lls and Network Architectures. NEURAL COMPUTATION. 2019, 31(7):1235-1270. [5] Christopher O. Understanding LSTM Networks[GB

/OL]. (2015-08-27),[2022-05-25]. http://colah.github.io/posts/

2015-08-Understanding-LSTMs/.