基于特征气象因素和深度学习组合模型的干散货港口PM₁₀浓度预测

来源：环境科学杂志2024年第1期北京时间：

作者：沈金星,刘沁鑫,封学军

单位：河海大学土木与交通学院, 南京 210098,河海大学土木与交通学院, 南京 210098,河海大学港口海岸与近海工程学院, 南京 210098

摘要：准确预测PM₁₀浓度是控制干散货港口人群PM₁₀暴露水平,降低健康和经济风险的关键.然而,港口气象环境因素的特殊性,为准确预测PM₁₀浓度的时序非线性变化特征带来了挑战.为此,构建了一个级联卷积神经网络（CNN）、 长短期记忆（LSTM）和注意力机制（AM）的深度学习组合模型（CLAF）,预测干散货港口PM₁₀的小时浓度.首先,基于随机森林特征重要性算法,从5个气象因素中筛选出重要特征气象因素,与PM₁₀浓度一起构建预测模型的输入变量.其次,利用CNN层提取输入变量中高维时变特征,通过LSTM层捕捉顺序特征以及长期依赖性,并在AM层为LSTM层的输出特征分配不同的权重,强化重要信息的影响.最后,应用3个评价指标将CLAF模型分别与3个基本模型和3个常用预测模型的性能进行对比分析.基于实例数据的分析结果表明,考虑特征气象因素可以提高港口PM₁₀浓度的预测精度和拟合性能,CLAF模型可以将平均绝对误差降低13.92%~56.9%,将均方误差降低45.99%~81.02%,将拟合优度提高3.2%~15.5%.将特征气象因素作为输入变量,可以提高模型的预测性能.

关键词：PM10,干散货港口,浓度预测,气象因素,深度学习,组合模型,