《表1 LSTM模型与W-LSTM模型NO2浓度预测性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于信号改进深度学习网络的京津冀城市群二氧化氮浓度预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本研究构建的W-LSTM组合模型实质上是运用WD变换对原始数据进行维度拓展，其预测性能与LSTM模型的比较如表1所示。从整体性能来看，W-LSTM模型对京津冀城市群13个城市NO2浓度的预测结果更佳，平均MAPE约为9%，说明W-LSTM模型对京津冀城市群的整体预测结果更加接近真实值。从各城市的预测结果来看，LSTM模型的MAPE均在10%左右，除天津和石家庄以外，该模型的预测稳定性较强。W-LSTM模型对单一城市预测评价指标的MAPE最优低至5.34%，但同时也存在张家口、承德MAPE较高的情况，尤其是承德的MAPE高达14.47%。出现该现象的原因是京津冀城市群整体呈狭长分布，南北各地区污染物浓度水平及分布规律存在明显差别。由于模型对学习训练数据特征的敏感度较低，在充分学习唐山这一类较高污染水平城市的数据特征之后，再使用承德和张家口等较低污染水平城市的数据进行学习，会使预测性能下降。可以认为，W-LSTM模型对不同地区污染数据的泛化能力比LSTM模型弱。然而，W-LSTM模型对京津冀城市群13个城市NO2日均浓度预测结果的MAE明显优于LSTM模型，平均MAE为2.645 8，且各地之间的偏差较小。模型性能的另一评价指标RMSE在两个预测模型中的表现均较为良好，W-LSTM模型以0.462 1的差值优于LSTM模型，说明基于LSTM搭建的W-LSTM组合模型适用于京津冀城市群NO2浓度的预测。