文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222731
中文引用格式： 韋詩玥，徐洪珍. 基于改進BCCSA和深層LSTM的空氣質量預測方法[J].電子技術應用，2022，48(6)：28-32.
英文引用格式： Wei Shiyue，Xu Hongzhen. Air quality prediction method based on improved BCCSA and deep LSTM[J]. Application of Electronic Technique，2022，48(6)：28-32.
0 引言
隨著社會的發展和生活質量的提高，人們不再是關注溫飽問題，更多地開始關注健康問題。被污染了的空氣會給人類健康帶來危害，特別是在人口稠密的地區[1]。空氣質量是一個十分復雜的現象，會受到許多因素的影響[2]?？諝赓|量能夠通過計算空氣中的污染物來反映空氣污染的嚴重程度，通常用空氣質量指數(Air Quality Index，AQI)來進行定量描述。有效的空氣質量預測能夠為人們提供及時的空氣質量警報，能夠使政府部門及時干預高污染事件，能夠提醒人們是否適宜進行戶外活動。嚴重的空氣污染不僅會影響人們的生活，更會影響人們的生命健康[3]。準確地進行空氣質量預測對國家、政府、民眾來說都是一件重要的事。
空氣質量數據具有明顯的季節性，如果忽視這一因素，會導致對空氣質量數據的預處理不夠充分并且預測精度不夠高，所以本文提出季節調整的空氣質量數據預處理方法。本文首次將二元混沌烏鴉搜索算法(Binary Chaotic Crow Search Algorithm，BCCSA)應用于空氣質量數據的預測，能夠更好地優化非線性、非平穩的空氣質量數據，并針對BCCSA存在的不足，提出3種改進方法用以提高它的收斂速度。本文還將自注意力機制與深層長短期記憶神經網絡(Long Short Term Memory，LSTM)相結合來預測經過處理的空氣質量數據，能有效挖掘空氣質量數據中隱藏的時間序列信息，提高了方法的預測精度。現有的研究大多都是對空氣質量進行未來幾個小時的短期預測，而本文對空氣質量進行了未來24小時的預測，并且具有較高的精度。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000004414。
作者信息：
韋詩玥，徐洪珍
(東華理工大學 信息工程學院，江西 南昌330013)
