门限重复单元的 PM2. 5 浓度预报方法

针对当前我国重污染天气实时的空气质量预报问题, 该文提出了一种基于长短期记忆神经网络的 PM2. 5 浓度实时预报方法. 此方法结合了北京市地面空气质量监测数据, 天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析, 在将高层大气状态及排放状况融入了预报模型的同时, 利用 LSTM 模型模拟区域 PM2. 5 浓度的时序连续变化特征, 建立了 0~ 72h 的区域 PM2. 5 浓度实时预报模型. 实验证明, 该方法可以有效表征大气污染物变化的时序特征, 从而进行更为精准的长时 PM2. 5 浓度预报. 同时, 使用门限重复单元作为 LSTM 神经网络的核心, 在保障模型精度的同时, 进一步减少了模型训练时间, 提高了模型的计算效率.