基于 LSTM 网络与误差补偿的预测模型

来源：计算机技术与发展杂志2023年第03期北京时间：

作者：王健;';宋颖;';吴涛;'

单位：1. 安徽大学 数学科学学院,安徽 合肥 230031;2. 安徽大学 计算智能与信号处理教育部重点实验室,安徽 合肥 230039

摘要：随着时代发展,空气质量逐渐受到人们的重视,所以对未来空气污染物的变化预测显得尤为重要。 首先,针对PM2. 5 的非线性变化以及变化所具有的周期性,选取完整年度数据进行训练和预测,使用对非线性序列数据拟合效果较好的 LSTM 网络作为初步预测模型,选择合适的滑动窗口,使用训练数据,建立了 LSTM 网络预测模型。 由于 LSTM 网络预测结果中存在相邻年份误差分布相似,但整年分布不均匀的现象,使用 FCM 对训练数据及误差进行模糊聚类。 通过聚类中心,对当前预测数据进行分类,并利用聚类结果,得到当前预测数据的误差补偿值,对 LSTM 网络的当前预测结果进行误差补偿,得到最终预测结果。 最后,通过合肥 2017 年至 2021 年的空气污染数据对该方法进行了验证,结果表明,所建模型的效果优于其他对比模型,具有一定的可行性与有效性。

关键词：PM2. 5 预测;长短时记忆网络;模糊聚类;误差相似性;误差补偿