文章编号:1009-6094(2023)04-1336-13基于KCNNBiLSTM的关联区域VOCs浓度时空关联预测*黄光球，王瑞泽，陆秋琴(西安建筑科技大学管理学院，西安710055)摘要:为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K－CNN－BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明:模型具备单步预测和多步预测能力，同时与CNN－BiLSTM、CNN－LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高;平均均方根误差(ＲMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%，均优于对比模型。关键词:环境工程学;VOCs浓度预测;KNN;CNN－BiLSTM;时空关联中图分类号:X511文献标志码:ADOI:10.13637/j．issn．1009-6094.2021.2172*收稿日期:2021－11－29作者简介:黄光球，教授，博士，从事污染排放控制与管理及数据挖掘研究，huangnan93@163.com。基金项目:国家自然科学基金项目(71874134);陕西省自然科学基础研究计划项目(2019JZ－30)0引言随着我国经济的快速发展、工业化进程的加快以及城市化水平的不断深化，区域性大气污染问题日益突出［1－2］。挥发性有机物(VolatileOrganicCompounds，VOCs)是大气化学反应过程中的重要参与者，它们既可以和氮氧化物(NOx)反应产生臭氧(O3)，又能通过形成二次有机气溶胶(SOA)，对生成PM2.5具有重要贡献［3－4］。同时，VOCs可能会引发心血管疾病和呼吸系统疾病［5－7］，严重危害了人们的身体健康。因此，对VOCs浓度的预测研究有助于掌握其变化和发展规律，为政府部门制定防控对策提供理论支持，对治理大气污染和保障公众健康安全具有重要意义。目前，针对空气污染物的预测方法主要有数值模型、统计模型和神经网络模型。数值模型是基于相关理论知识对污染物在大气中的物化反应过程进行模拟以预测其浓度的变化。国内外常用的数值模型有天气预报模式(WeatherＲesearchandForecastingModel，WＲF)、空气质量预报和评估系统(CommunityMultiscaleAirQuality，CMAQ)［8－11］，由于模拟气象场的不确定性和对污染物生成机理的模...
