基于深度学习和元启发式算法的臭氧浓度集合预报

来源：计算机测量与控制杂志2025年第7期北京时间：

作者：曹君乾,李欢,莫欣岳

单位：海南大学 网络空间安全学院密码学院

摘要：针对普遍而严重的空气污染问题，特别是日益增加的臭氧污染对环境和公众健康带来的威胁，提出了一种融合长短期记忆网络、时间卷积网络、Transformer三种深度学习模型和元启发式算法开普勒优化算法的集合预报模型。通过分析臭氧与其他空气污染物及气象要素的相关性，选定了预报因子；分别搭建了长短期记忆网络、时间卷积网络、Transformer预报模型并开展独立的预报；采用开普勒优化算法融合三种深度学习模型的预报结果从而得到最终的预报结果。实验结果显示在北京地区臭氧小时浓度的多步预报中，提出的集合预报模型的均方根误差、平均绝对误差和决定系数均优于单一的深度学习模型长短期记忆网络、时间卷积网络和Transformer以及统计模型多元线性回归和传统机器学习模型随机森林。研究结果表明融合深度学习和元启发式算法的集合预报策略能有效提升预报模型的准确性和稳定性，验证了深度学习集合预报方法对臭氧污染预报的可行性。

关键词：臭氧浓度预测;长短期记忆网络;时间卷积网络;Transformer;开普勒优化算法;集合预报

基金资助：教育部供需对接就业育人项目（2023122798868）；教育部产学合作协同育人项目(220902070162538)；海南省自然科学基金(623RC455,623RC457)；海南大学科研启动(KYQD(ZR)-22096,KYQD(ZR)-22097)