EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

基于GAM-CMAQ 过滤机制的CNN-LSTM 和CNN-GRU 的广东省某地区每日臭氧浓度预测

拥英 苏, 键帆 邵, 国长 王, 世荣 徐

Applied Statistics and Data Science · 2025

DOI: 10.61369/asds.10247 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Applied Statistics and Data Science, 2025. Verfasst von 拥英 苏 und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

随着全球对臭氧污染关注度的提升和科学研究的深入,建立准确的臭氧预测模型对于减轻其对人类健康和经济的影响至关重要。现有模型或仅考虑气候和气态污染物,或整合CMAQ数据,虽取得一定成效,但未能充分利用CMAQ数据或减少噪声积累等问题。本文提出了一种新方法,即通过广义加性模型(GAM)预处理CMAQ数据,并结合前馈神经网络(FNN)、CNN-LSTM和CNN-GRU模型进行臭氧浓度预测。利用2018年4月26日至2020年7月31日广东省某地区监测站的数据,我们发现,相较于未经GAM处理的数据,经GAM处理后的数据在均方误差上分别降低了34.82%、37.66%和29.89%,显示出GAM处理对提高预测精度的显著效果。此外,考虑到多日CMAQ 数据可能导致噪声累积,影响预测准确性。本研究引入卷积神经网络(CNN)以提取数据的局部特征,进一步降低了CNNLSTM和CNN-GRU模型的均方误差,分别达到36.6%和33.20%的降低率。通过与六个模型的预测性能比较,CNN-LSTM和CNN-GRU显示出最佳的预测性能。因此,本文建议使用GAM预处理后的CMAQ 数据结合CNNLSTM或CNN-GRU模型进行臭氧数据分析。

Zitieren

APA

苏, 拥., 邵, 键., 王, 国., & 徐, 世. (2025). 基于GAM-CMAQ 过滤机制的CNN-LSTM 和CNN-GRU 的广东省某地区每日臭氧浓度预测. Applied Statistics and Data Science. https://doi.org/10.61369/asds.10247

Vancouver

苏 拥, 邵 键, 王 国, 徐 世. 基于GAM-CMAQ 过滤机制的CNN-LSTM 和CNN-GRU 的广东省某地区每日臭氧浓度预测. Applied Statistics and Data Science. 2025. doi:10.61369/asds.10247

BibTeX
@article{2025,
  author = {苏, 拥英 and 邵, 键帆 and 王, 国长 and 徐, 世荣},
  title = {基于GAM-CMAQ 过滤机制的CNN-LSTM 和CNN-GRU 的广东省某地区每日臭氧浓度预测},
  journal = {Applied Statistics and Data Science},
  year = {2025},
  doi = {10.61369/asds.10247}
}
Kostenlos starten →