基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用

由于空气质量AQI指数受多个难以确定的和非线性的因子的影响,经常用到的回归预测方法效率和精度都比较低,基于长短期记忆单元(long short-term memory,LSTM)的递归神经网络模型却能有效利用时序数据中长距离依赖信息的能力,精准地预测空气质量AQI指数。首先,利用Ri386 3.3.3分析出空气中各种污染物质与AQI指数的相关性;然后基于Python3.5.2和Tensor Flow,结合近几年空气质量的各种影响因素的走势,对太原空气质量的AQI指数进行预测;最后使用均方误差(MSE)对预测的数据和原始数据进行误差分析。最终得出结论:基于Tensor Flow的LSTM神经网络能较精准地预测空气质量AQI指数。