基于多阶段聚类的PM2.5质量浓度预测及对比研究

本文提出了一个基于多阶段聚类的深度神经网络(Deep Neural Network,DNN)预测模型,用于多步骤PM2.5质量浓度预测.建议的模型包括分解聚类和预测.在聚类部分中,第1阶段采用的是HDBSCAN(Hierarchical Density-based Spatial Clustering of Applications with Noise,HDB)密度聚类来剔除噪点,在此基础上,再进行第2阶段聚类.第2阶段聚类采用的是Kmeans、Agglomerative、高斯混合以及BIRCH聚类算法(Balanced Iterative Reducing and Clustering Using Hierarchies)4种聚类算法.在预测部分中,使用了DNN作为预测器,选取了深圳市11个空气质量监测站的2015全年逐时数据来验证模型的有效性.实验结果表明,基于多阶段聚类的预测模型适合PM2.5质量浓度的多步高精度预测,性能优于无聚类预测模型以及单阶段聚类预测模型.