IG-LSTM模型在空气质量指数预测中的应用

空气质量指数(Air Quality Index,AQI)是衡量空气质量优劣的重要指标,对安全生产和人民生活具有重要的指导作用.但由于空气质量的状态受到多个污染因子的影响,具有很强的时序性,传统回归预测方法的效率和精确度都较低,鉴于此,文中提出了一种基于IG(信息增益)和长短期记忆网络(Long Short-Term Memory,LSTM)的空气质量指数混合预测方法.本文首先基于Ten-sorFlow机器学习框架搭建了动态预测模型,并利用IG(信息增益)减少输入变量的数量以及降低模型的复杂程度,然后在某市2014年至2018年数据集的基础上训练和测试模型,并使用回归评估指标对模型的结果进行量化,通过与传统BP模型、LSTM模型的对比分析,得出IG-LSTM混合预测模型具有更低的预测误差和损失值,能较精准地预测空气质量指数.