论文研究-基于时空优化深度神经网络的AQI等级预测.pdf下载

针对现有空气质量预测方法精度偏低、对噪声敏感等问题，提出一种基于堆栈降噪自编码（Stacked Denoising Auto-Encoders，SDAE）模型的空气质量等级预测方法。首先以武汉市历史空气质量和气象监测数据为研究对象，建立SDAE模型逐层学习原始数据的特征表达，并将最后一层特征与分类器连接完成预测模型的调优。同时改进多参数网格搜索法，选取了最优的超参数组合。然后在测试集上进行预测，并用预测值与实际值之间的平均绝对误差和均方误差等指标作为预测性能评价标准。通过与其他网络模型的实验对比，证明了SDAE模型对于空气质量等级具有较优的预测性能。最后从时间、空间、时空三个角度对该模型输入进行优化，实验结果表明基于空间优化的SDAE模型预测性能提升最为明显，能够得到比传统方法更加精确的预测结果。