ارائه یک مدل ترکیبی شبکه عصبی عمیق پیش بینی آلودگی هوا چند متغیریمبتنی بر داده های هواشناسی

در سالهای اخیر، با توسعه سریع اقتصاد و صنعتی شدن اغلب کشورها، مشکل آلودگی محیط زیست بسیار جدی شده و در این میان، آلودگی هوا به طور خاص قابل توجه است. پیشرفت همزمان اقتصاد و صنعت، یکی از اصلی ترین عوامل افزایش خطرناک آلودگی هواست که با هدف پیش بینی کیفیت هوا و غلظت آلاینده ها، مطالعات زیادی انجام گرفته است. نتایج برخی از این تحقیقات نشان می دهد که یادگیری تجمعی در مقایسه با روش های منفرد می تواند عملکرد پیش بینی را در بسیاری از حوزه ها بهبود بخشد. از این رو، در این مقاله، یک مدل عمیق تجمعی در یک معماری جهت دار غیرمدور، مبتنی بر شبکه های عصبی بازگشتی، با سه واحد پنهانGRU ،LSTM وBiLSTM ارائه شده است؛ که هدف آن پیش بینی وضعیت آلاینده ذرات معلق PM۲.۵ در بیست و چهار ساعت آینده است. مدل چند متغیره ی پیشنهاد شده، مبتنی بر داده های هواشناسی و داده های آلودگی هوا ارائه شده است. نتایج تجربی در داده های هواشناسی پکن نشان می دهد، این مدل توانسته در پیش بینی بیست و چهار ساعت آینده، به طور میانگین با واحدهای پنهان LSTM و GRU به ترتیب به جذر میانگین مربعات خطا ۷.۱۶ و ۱۲.۵۳ دست یابد

کلیدواژه ها:

پیش بینی آلودگی هوا ، شبکه عمیق بازگشتی ، آلاینده ذرات معلق PM۲.۵ یادگیری عمیق تجمعی بازگشتی .