基于深度神经网络与联邦学习的污染物浓度预测二次建模
进入新世纪,伴随着我国经济的高速发展,我国很多地区空气污染情况相对严重,同时政府对于空气污染情况的关注度与治理力度也越来越高.当前对于我国空气质量影响最大的是O3,SO2,NO2,CO,PM10,PM2.5这6种污染物,因而对这6种污染物浓度进行预测预报,及时作出相应管控调整就成为了保障居民健康、建设美丽中国的迫切需求.目前污染物预测的主流方案是WRF-CMAQ预测系统,该系统基于污染物物化反应与气象模拟两部分构成.但因为当前对于如臭氧在内的污染物的生成机理等研究还有待深入,WRF-CMAQ模型的预测存在较大误差.因此采用了深度神经网络对污染物浓度进行二次建模的方式,来减少预测误差.同时,采用联邦学习方法,对于多个监测站使用联邦学习进行数据训练,提升模型泛化能力.实验结果表明,相比于一次WRF-CMAQ的一次预测结果,深度神经网络的方案在均方误差值上最多缩小到了3.93%.同时,采用联邦学习的方案相比于单个监测站点在广泛测试中最多提升了68.89%的性能.
联邦学习、深度神经网络、污染物浓度预测、WRF-CMAQ
49
TP183(自动化基础理论)
国家自然科学基金62272169
2023-05-22(万方平台首次上网日期,不代表论文的发表时间)
共5页
920-924