基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

摘要 : 针对目前多数PM2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM2.5浓度值插值为PM2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM2.5网格图, 预测下一时刻的PM2.5网格图。该模型可以利用历史不同时刻提取的PM2.5浓度值网格图, 在预测区域内所有位置PM2.5浓度值的同时, 还可以提升预测的准确性以及对PM2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。