空气质量预测的深度学习模型研究与评估 Research and Practice of Deep Learning Model for Air Quality Prediction 作者： 黎嘉明 1 作者单位： 1. 广东省生态环境监测中心 提交时间： 2023-09-22 摘要: 目的 及时和准确的空气质量预测数据对于环境管理至关重要，尤其是在空气重污染期间，预测数据可以为政府生态环境管理部门应对污染状况、精准地调配社会资源的决策提供数据支撑。方法 笔者研发的基于深度学习的空气质量预测模型AirNet6，可以兼顾准确性和实时性，实现臭氧、二氧化硫、一氧化碳等因子的7天甚至更长时间的空气质量预测。结果 与传统的化学模型演算不同，本模型使用时空图卷积网络（STGCN），能捕获历史监测数据、天气预测数据、社会活动等数据的规律，在2分钟内完成一百多个点位未来168小时数据的预测。结论 实验表明，AirNet6模型在速度、节能和准确度上，比传统的化学模型及时间序列AI模型均有明显进步。关键词：空气质量预测、人工智能、深度学习模型、时空图卷积网络 Abstract: Objective Timely and accurate air quality prediction data is very important for environmental management, especially during the period of heavy air pollution. The prediction data can provide data support for the decision-making of the government's ecological environment management departments to cope with the pollution situation and accurately allocate social resources.Methods The air quality prediction model AirNet6developed by the author based on depth learning can give consideration to both accuracy and real-time performance to achieve 7-day or longer air quality prediction for ozone, sulfur dioxide, carbon monoxide and other factors.Results Unlike traditional chemical model calculations, this model base on Spatio-Temporal Graph Convolutional Networks (STGCN), which captures the laws of historical monitoring data, weather prediction data, social activities and other data, and completes the prediction of more than one hundred points for the next 168 hours in two minutes.Conclusions Experimentsshow that the AirNet6 model has made significant progress in speed, energy efficiency, and accuracy compared to traditional chemical models and time series AI models. 空气质量预测 人工智能 深度学习模型 时空图卷积网络 来自： 黎嘉明 分类： 环境科学技术及资源科学技术 >> 环境科学技术及资源科学技术其他学科 计算机科学 >> 计算机应用技术 说明： 论文空气质量预测的深度学习模型研究与实践已通过专家评审，决定录用，定于在《亚洲城现金稳定》2024 年第 14 卷第 7 期上刊登（2024年 7 月 1 日出刊）。 投稿状态： 已被期刊接收 引用： ChinaXiv:202309.00173 (或此版本 ChinaXiv:202309.00173V1 ) doi:10.12074/202309.00173 CSTR:32003.36.ChinaXiv.202309.00173.V1 推荐引用方式： 黎嘉明.(2023).空气质量预测的深度学习模型研究与评估.中国科学院科技论文预发布平台.[ChinaXiv:202309.00173] 版本历史 [V1] 2023-09-22 11:14:09 ChinaXiv:202309.00173V1 下载全文