基于RNN-CNN集成深度学习模型的PM 2.5小时浓度预测

针对目前大部分PM2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络(RNN)和特征表达能力较强的卷积神经网络(CNN)为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型.该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性.最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34％站点上的拟合度超过0.97,该模型可用于大范围区域的PM2.5小时浓度预测.