地铁车站PM2.5浓度自注意力混合预测方法研究.pdf

2024.1,4（1）|智能交通与数字化地铁车站 PM2.5浓度自注意力混合预测方法研究陈定宇1，高国飞1，袁泉2（1.北京城建设计发展集团股份有限公司，北京，100037；2.广州地铁设计研究院有限公司，广东 广州 510010）摘要：建立可靠的空气质量预测模型对经济发展和污染治理至关重要，解决 PM2.5浓度的预测问题成为当务之急。本文提出了一种基于自注意力机制的混合预测方法，旨在提高 PM2.5浓度的预测精度。使用自注意力机制来捕捉序列中的关键信息；用 GRU 对序列进行预测；使用 DBN 对误差序列进行校正，以提高预测的准确性和稳定性，形成了最终的预测序列。为了验证模型的性能，以我国四个地铁车站的室外 PM2.5数据为例进行数据处理和预测。结果表明，预测模型在准确性和稳定性方面优于其他参照模型，为决策者提供了科学依据，以更好地治理大气污染问题。关键词：PM2.5；预测；自注意力机制；门控循环单元（GRU）；深度信念网络（DBN）Research on selfattention hybrid prediction method for PM2.5 concentration in subway stationsCHEN Dingyu1,GAO Guofei1,YUAN Quan2（1.Beijing Urban Construction Design&Development Group Co.，Limited，Beijing 100037，China；2.Guangzhou Metro Design&Research Institute Co.，Ltd.，Guangzhou 510010，China）Abstract：It is of great significance to establish a reliable air quality prediction model for economic development and pollution control.Since PM2.5 is the main pollutant in most parts of China，it has become a top priority to solve the problem of predicting PM2.5 concentration.In this paper，we propose an error correction model based on the self-attention mechanism to improve the prediction accuracy of PM2.5 concentration.This paper uses a self-attention mechanism to capture key information in the sequence.The GRU is used to predict the sequence.The DBN is used to correct the error series to improve the accuracy and stability of the prediction，and the final prediction sequence is formed.In order to verify the performance of the model，this paper takes the outdoor PM2.5 data from Beijing，Tianjin，Shanghai，and Guangzhou in China for metro stations as examples for data processing and prediction.The results show that the prediction model in this paper is superior to other reference models in terms of accuracy and stability，and provides a scientific basis for decision-makers to better control the problem of air pollution.Key words：PM2.5；prediction；self-attention；GRU；DBN中图分类号:X513 文献标志码:A 文章编号：2097-017X（2024）01-0049-08DOI:10.3969/j.issn.2097-017X.2024.01.006收稿日期：2023-12-07基金项目：国家自然科学基金面上项目（52072412）。第一作者简介：陈定宇（2000），男，硕士研究生。研究方向：时间序列预测。通讯作者简介：高国飞（1983)，男，博士，教授级高级工程师。研究方向：轨道交通规划与设计。49引 言空气和人类的生活息息相关。随着工业化和城市化的不断发展，其过程中排放的空气污染物包括颗粒物、二氧化硫、氮氧化物等，这些物质可引发呼吸系统疾病。长期暴露于污染空气中，人们容易患上呼吸道疾病，如慢性支气管炎、哮喘等1。作为发展中国家，我国当前空气污染较严重。我国正在经历由传统产业向新型产业结构转化。在这个过程中，对空气污染的控制和治理十分重要。对 PM2.5 浓度进行预测，考虑其对我国地铁车站 的 影 响 是 一 项 重 要 的 环 境 管 理 工 作。首 先，PM2.5是细小颗粒物，可以进入呼吸道并深入肺部，对人体健康造成潜在威胁。通过预测 PM2.5浓度，车站管理者可以提前警示旅客，尤其是老年人、儿童和患有呼吸系统疾病的人，采取措施来降低暴露风险。其次，高浓度的 PM2.5 可能影响交通运营的正常进行。对 PM2.5 浓度的预测可以帮助交通管理者调整列车时刻和提前发布警报信息，以减缓交通系统的运营受到的影响。然而，由于 PM2.5 的不规则特性和复杂的影响因素，难以实现 PM2.5 浓度的精确预测。近年来，研究人员已经提出了一系列 PM2.5浓度预测模型。长期以来对空气污染物浓度的预测，相关研究主要在于提高模型预测的精确性和稳定性，随着人工智能的发展，出现了许多预测空气污染物浓度的模型2。这些模型可以分为三类：化学模型、统计模型、人工智能模型。化学模型包括 CAMx3、CMAQ模型4和 LOTOS-EUROS5等。这些方法能够考虑许多化学动力学条件、反应指数和化学产物，实现污染物预测。空气污染预测的传统统计模型包括自回归综合移动平均（ARIMA）6、灰色模型（GM）7、逐步回归8、主成分回归（PCR）9、多元线性回归（MLR）10和 其 他 回 归 模 型，例 如 孟 凡 强 等11用ARIMA 对我国五个城市的空气污染物指数进行预测，李 颖 若 等12用 MLR 实 现 对 北 京 空 气 质 量 的评估。基于人工智能的预测模型中包括单一的预测模型和混合预测模型，单一预测模型包括深度信念网络（DBN）13、卷积神经网络（CNN）14和长短期记忆网络（LSTM）15等模型，例如王洪彬等16将 CNN 用于空气中苯浓度的预测。考虑到单一模型预测的局限性，混合模型在空气质量预测中变得越来越重要。混合模型主要包括以下两种类型：一是简单混合模型，即将两个或者多个模型堆叠在一起进行预测，省略了数据前处理和优化，例如杨雨佳等17采用 CNN-GRU 模型对臭氧浓度进行预测，刘媛媛等18采用了 CNN-LSTM 对空气质量指数进行预测。二类是智能混合模型，此类模型结合了数据处理和优化算法，例如王菲等19使用 ELM 和灰狼优化算法结合，实现了对空气质量的预测，刘炳春等20采用 Wavelet-LSTM 模型对北京空气污染进行预测。目前 PM2.5 浓度的预测的相关文献存在以下不足：第一，PM2.5浓度时间序列通常包含长期依赖关系，其中当前时刻的浓度受前几个时刻的浓度和外部因素的影响，相关文献的模型可能会受到滞后特征的限制21；第二，PM2.5时间序列数据存在固有的随机性，难以预测，在模型预测完后仍会出现较大误差。为了克服以上不足，本文提出了一种基于智能混合预测方法的集成和预测误差校正模型，旨在提高模型预测的精确性和稳定性，本文的主要工作如下：（1）自注意力机制可以有效地捕捉时间序列的长期依赖关系，可以有效改善时间序列的滞后性。因此首先采用自注意力机制对时间序列中的关键信息进行捕捉，再用 GRU 进行预测。（2）采用误差修正可以帮助提高预测的准确性，通过对预测结果进行修正，可以减少误差，使模型更加可靠。因此本文设计了 DBN 模型用来校正带自注意力机制的 GRU 的误差，并且将误差预测结果和原预测结果相加得到最终预测结果，实验结果表明，基于自注意力机制的 GRU-DBN 误差修正模型提高了模型预测的稳定性和精度。1模型及方法介绍1.1本文模型结构模型结构框图如图 1所示。1.2自注意力机制注意力机制（Self-attention）可以通过计算注意力权重然后给输出向量动态生成权重，具体描述为将询问向量 Q（query）、键值向量 K（Key）和值向量V（value）映射到输出向量过程，输出向量是由 Q 和K 计算过程产生的权重分配到值上产生的加权和。自注意力机制的点积模型公式如下：50地铁车站 PM2.5浓度自注意力混合预测方法研究 陈定宇 等Attention(Q,K,V)=softmax(QKTdk)V （1）由于模型在对当前信息进行编码时，会过度地将注意力集中于自身的位置，因此需要多头注意力机制解决这一问题，具体公式如下：MultiHead(Q,K,V)=Concat(head1,headh)WOwhere headi=Attention(QWQi,KWKi,VWVi)（2）式中 QWQiRdmodeldk，KWKiRdmodeldk，VWViRdmodeldv，WO Rdmodel hdv。1.3GRU门控循环单元（Gate Recurrent Unit，GRU）21是 RNN 的变种，解决了 LSTM 不能长期记忆和反向传播中的梯度问题。GRU 比 LSTM 的结构简单，GRU 包含两个门分别是更新门和重置门。GRU 结构图如 2所示。1.4DBN深度置信网络（Deep Belief Network，DBN）深度信念网络是一个概率生成模型，与传统的判别模型的神经网络相比，DBN 能够建立一个观察数据和标签之间的联合分布，拥有强大的无监督特征提取能 力，DBN 由 多 个 受 限 玻 尔 兹 曼 机（Restricted Boltzmann Machine，RBM）构成，最后一层为传统BP 神经网络。与传统 BP 神经网络相比，DBN 学习速度更快，对数据的输入要求更低，精确性和稳定性更高。DBN 网络结构和传统神经网络不同前面几层由 RBM 构成，层内神经元无连接关系，结构图如 3所示。DBN理论推导：（1）输入层中，输入污染物数据至观察层 v1，计算观察层神经元激活概率P(hj=1|v)，从计算概率分 布 中 利 用 Gibbs 抽 样 法 抽 取 样 本 hjP(hj=1|v)。（2）用隐藏层 h1 重新构建观察层并反推。计算隐藏层神经元激活概率P(vi=1|h)，从计算概率分布中利用 Gibbs 抽样法抽取样本 viP(vi=1|h)由v2再次计算隐藏层神经元激活概率并更新权重，并重复多次训练。（3）利用 BP 算法用来进行有监督反向微调，目标函数为最小化重构输入与最初输入的均方误差：图 2GRU 网络结构Fig.2Network structure of GRU图 3DBN网络结构Fig.3Network structure of DBN图 1模型框图Fig.1Block diagram of the model 51MSE=1ni=1n(Yi-Yi)2（3）式 中 n 为 样 本 个 数，Yi为 真 实 标 准 结 果，Yi 为 DBN 网络实际输出结果。1.5评价指标论文使用统计学中常用的三个误差评估指标来定 量 评 估 模 型 的 预 测 精 度，即 平 均 绝 对 误 差（MAE）、RMSE 和平均绝对百分比误差（MAPE）。这三个评估指标如表 1所示。2实验步骤因为 PM2.5 时间序列受到多个因素的综合影响，包括但不限于温度、气压和风速等，仅仅依赖于复杂参数的单一预测模型很难有效拟合其变化趋势，导致预测精度不容易达到要求。因此，本文采用混合预测模型的方法，以更全面、综合的方式对序列进行预测。通过考虑多个影响因素的综合作用，本文混合模型有望提高预测的精确性，更好地捕捉PM2.5 浓度变化的复杂模式，满足更高的预测精度要求。该模型主要包括数据预处理，预测模型和模型评价：步骤一：数据预处理，通过随机森林算法填补缺失值，用四组数据集分别来验证本文模型的性能，将数据集以 8：2的比例划分训练集 y1，y2，yt和测试集 yt+1，yt+2，yt+n。步骤二：首先采用自注意力机制来捕捉合时间序列的关键信息。步骤三：获得关键信息后，用 GRU 对污染物时间序列进行预测。步骤四：综合上述预测结果和原始序列得到残差e=y-y，最后将残差用 DBN 得到预测后的残差e，进 行 误 差 修 正 后 形 成 最 终 的 预 测 序 列y*=y+e，预测精度更高。步骤五：用评价函数对模型进行评价，并且和现有的模型进行比较。3实验及模型评价3.1数据描述本文以我国的四个交通枢纽（北京、天津、上海、广州）的污染物数据集作为研究对象。近年来我国交通枢纽的发展越来越快，研究其空气污染物预测模型对污染防治有着重大的意义。此次实验的数据来 源 于 2022 年 1 月 1 日 12 月 31 日 24 小 时 PM2.5 数据，该 PM2.5 数据均来自国家城市空气质量实时发布平台 https：/emccn：18007/中国环境监测中心。本文将数据分为四组来评价本文模型的性能，数据集均为 8700 h（日期为 2022.01.012022.12.31）的 PM2.5 污染物数据，其中北京的污染物数据集为数据集 1，天津的污染物数据集为数据集 2，上海的污染物数据集为数据集 3，广州的污染物数据集为数据集 4。每一组按照 8 2 比例划分训练集与测试集，所有实验在 Windows10 上的 Python（3.9）四组数据集如图 4所示。从图 4可以明显观察到 PM2.5浓度在特定时间段内变化较为显著，尤其是出现了较大的波动。这种复杂的时序变化使得单一模型的预测难以准确捕捉其真实趋势，导致预测的不精确性。因此，为了更有效地应对这种时序数据的多变性，需要采用混合模型来进行预测。3.2带自注意力机制的 GRU预测在本节中研究了带自注意力机制的 GRU 对PM2.5 浓度预测的影响，比较了带或不带自注意力机制的预测效果，四组数据集预测的平均 MAE，RMSE、和 MAPE如图 5所示。由图 5 可知，由于自注意力机制能够允许模型在处理序列数据时更灵活地关注不同位置的信息，而不受固定窗口大小的限制，这使得 GRU 能够更好地捕捉序列中的长距离依赖关系，提高了 GRU 时间序列预测的能力。3.3DBN误差修正在本节中，研究了 DBN 误差修正对 PM2.5小时浓度预测的影响，误差预测结果如图 6 所示。然后比较了四组数据，带或不带 DBN 误差修正的模型之间取四组数据的 MAE 比较如图 6所示，四组数据使用 DBN 误差修正的改善百分比如表 2所示。从图 6表 1评价指标表Tab.1Table of evaluation indicators评价指标MAERMSEMAPE计算公式1Ni=1N|yi-fi1Ni=1N(yi-fi)2100N1Ni=1N|yi-fiyi 52地铁车站 PM2.5浓度自注意力混合预测方法研究 陈定宇 等和表 2可以看出，在选定的四组数据集中，DBN误差修正的使用可以提高整个模型的 PM2.5预测精度。由图 6 可知，带有误差修正的模型比没带有误差修正的模型的预测精度高很多，说明用 DBN 对模型预测结果进行误差修正是十分重要的。由表 2 可知，由于 DBN 能够通过层级学习和特征提取，对输入数据进行有效地表征，这使得 DBN在误差修正中具有优势，所以使用 DBN 误差修正对前面的模型进度提升显著。使用 DBN 误差修正后MAE 最高提升都达到了 68%，RMSE 的最高提升达到了 71%，MAPE的最高提升达到了 62%以上。3.4模型比较及误差分析为了证明本文的预测方法的优势，将现有的五个空气污染预测模型与所提出的模型进行了比较。它 们 是 DBN，GRU，Attention-GRU，极 限 学 习 机（ELM），回声状态网络（ESN）。为了更直观地显示本文的使用对预测结果的影响，图 710 是选取平均精度最高的四个模型预测结果的散点图，当散射点的分布更集中于y=x线时，表明相应模型的预测结果更准确、更稳定。由图中可以直观地看出本文模型图像的散射点比其他模型的散射点更集中于y=x线，带自注意力机制和 DBN 的误差修正的模型对预测的精度有很大的提升，即本文提出的模型比现有的参照模型具有更好的预测效果。图 6 有无误差修正 MAE比较图Fig.6 Comparison of MAE with and without error correction表 2使用误差修正的精度提升百分比Tab.2Percentage improvement in accuracy using error correction数据集数据集 1数据集 2数据集 3数据集 4MAE0.680.600.430.42RMSE0.710.460.470.42MAPE0.610.620.480.46图 4四组原始数据图Fig.4Plot of four sets of raw data图 5有无注意力机制的预测效果比较Fig.5Comparison of prediction effects with and without self-attention mechanism 53本节还列出了各模型预测评价指标比较，如表 3所示。根据表 3可知：（1）ELM 和 ESN 都是相对简单的模型，通常在处理长时序列依赖关系时效果较差。对于复杂的时间序列，它们可能难以捕捉到足够复杂的关系，所以在本实验中更复杂的模型（深度学习模型）表现更好。ELM 和 ESN在上述四个数据集中表现不佳。（2）由于 DBN 逐层学习数据的层级特征，有助于捕捉数据的复杂模式，这使得 DBN 在某些情况下能够更好地适应数据的复杂性，在本实验中的四个数据集中 DBN展现出比 GRU 更好的效果。（3）由于带有自注意力机制的 GRU 在时间序列预测中的优势主要在于能够更好地处理长距离依赖关系，更灵活地调整对不同时间步的关注程度，以及更全面地捕捉序列中的特征和动态关系。这些特性使得它相对于普通的 GRU 在 PM2.5 时间序列预测任务上表现更好。在本实验中带自注意力机制的GRU 在四个数据集中的表现均优于 GRU。（4）本文的混合模型具有稳定且优异的性能，对于选定的四组 PM2.5 数据的预测结果，与现有的五个模型相比，做出的预测精度都高于另外五个模型。这证明采用自注意力机制后和 DBN 误差修正可以有效地提高模型的预测精度。4结 语本文提出了一种基于自注意力机制的 GRU-DBN 误差修正的 PM2.5 浓度预测方法。选取中国的四个交通枢纽为研究对象，分为四组进行相关实验。本文提出的预测方法结合了自注意力机制、GRU 和 DBN 误差修正。自注意力机制用来提取关键信息，GRU 用来 PM2.5时间序列预测，DBN 可以校正上一步的预测误差，以获得更准确的 PM2.5 浓度预测结果。图 7 数据集 1的散点图Fig.7 Scatterplot of dataset 1图 8 数据集 2的散点图Fig.8 Scatterplot of dataset 2图 9 数据集 3的散点图Fig.9 Scatterplot of dataset 3图 10 数据集 4的散点图Fig.10 Scatterplot of dataset 4 54地铁车站 PM2.5浓度自注意力混合预测方法研究 陈定宇 等实验结果表明：（1）本文提出的预测方法可以实现对每小时 PM2.5 的较好的预测效果，四组数据的预测结果表明本文的预测方法优于相关文献中已有的五个模型，证明了本文建立的模型的优越性。（2）采自注意力机制有助于提取 PM2.5 浓度时间序列的关键信息，达到更高的预测精度。（3）DBN 对预测误差进行修正可以提高模型对 PM2.5 的预测精度，四组实验数据结果表明 DBN 对预测误差进行修正对预测结果的改善显著。本文建立的 PM2.5 预测模型可以实现准确的预测效果，实现空气污染预警，帮助人们提前采取措施减少损失。参考文献：1 周历媛.济南市空气污染与慢性呼吸道疾病的关系研究 D.济南：山东师范大学，2023.2 Liu H，Yan G，Duan Z，et al.Intelligent modeling strategies for forecasting air quality time series：A reviewJ.Applied Soft Computing，2021，102：106957.3 Koo Y S，Choi D R，Kwon H Y，et al.Improvement of PM10 prediction in East Asia using inverse modelingJ.Atmospheric Environment，2015，106：318-328.4 Qiao X，Ying Q，Li X，et al.Source apportionment of PM2.5 for 25 Chinese provincial capitals and municipalities using a source-oriented Community Multiscale Air Quality modelJ.Science of the Total Environment，2018，612：462-471.5 Manders A M M，Schaap M，Hoogerbrugge R.Testing the capability of the chemistry transport model LOTOS-EUROS to forecast PM10 levels in the Netherlands J.Atmospheric Environment，2009，43（26）：4050-4059.6 Kumar A，Goyal P.Forecasting of daily air quality index in DelhiJ.Science of the Total Environment，2011，409（24）：5517-5523.7 Zhou J，Zhao J，Li P.Study on gray numerical model of air pollution in wuan city C/2010 International Conference on Challenges in Environmental Science and Computer Engineering.IEEE，2010，1：321-323.8 Zvereva E L，Kozlov M V.Responses of terrestrial arthropods to air pollution：a meta-analysis J.Environmental Science and Pollution Research，2010，17：297-311.9 Kumar A，Goyal P.Forecasting of air quality in Delhi using principal component regression technique J.Atmospheric Pollution Research，2011，2（4）：436-444.10 Donnelly A，Misstear B，Broderick B.Real time air quality forecasting using integrated parametric and non-parametric regression techniques J.Atmospheric Environment，2015，103：53-65.11 孟凡强.ARIMA 模型在空气污染指数预测中的应用J.统计与决策，2009（7）：33-35.12 李颖若，汪君霞，韩婷婷，等.利用多元线性回归方法评估气象条件和控制措施对 APEC期间北京空气质量的影响 J.环境科学，2019：40（3）：1024-1034.13 Xie J.Deep neural network for PM2.5 pollution forecasting based on manifold learningC/2017 International Conference on Sensing，Diagnostics，Prognos表 3各模型预测评价指标比较Tab.3Comparison of model prediction evaluation indicators数据集数据集 1数据集 2模型混合模型AttentionGRUDBNGRUESNELM混合模型AttentionGRUDBNGRUESNELMMAE0.491.541.633.4316.7611.780.751.882.7526.4522.9313.43RMSE0.682.322.447.4423.5319.801.653.057.1136.6133.5522.26MAPE2.596.627.539.6669.6054.372.105.597.1299.3975.0739.22数据集数据集 3数据集 4模型混合模型AttentionGRUDBNGRUESNELM混合模型AttentionGRUDBNGRUESNELMMAE0.460.810.850.8832.935.630.390.681.792.1112.684.51RMSE0.621.171.911.5934.587.710.520.892.252.5114.556.22MAPE2.053.954.334.5678.5823.371.993.699.3610.1564.5620.64 55tics，and Control（SDPC）.IEEE，2017：236-240.14 Eslami E，Choi Y，Lops Y，et al.A real-time hourly ozone prediction system using deep convolutional neural network J.Neural Computing and Applications，2020，32：8783-8797.15 Freeman B S，Taylor G，Gharabaghi B，et al.Forecasting air quality time series using deep learning J.Journal of the Air&Waste Management Association，2018，68（8）：866-886.16 王洪彬，陈艳，李杰，等.基于 CNN 的空气中苯浓度预测 模 型J.内 蒙 古 工 业 大 学 学 报（自 然 科 学 版），2020，39（4）：279-285.17 杨雨佳，肖庆来，陈健，等.融合空间和统计特征的CNN-GRU 臭氧浓度预测模型研究 J.南京大学学报（自然科学版），2023，59（2）：322-332.18 刘媛媛.融合 CNN-LSTM 和注意力机制的空气质量指数预测 J.计算机时代，2022（1）：58-60.19 王菲.基于 ELM 和多目标灰狼优化算法的空气质量预测 D.大连：东北财经大学，2022.20 刘炳春，来明昭，齐鑫，等.基于 Wavelet-LSTM 模型的北京空气污染物浓度预测 J.环境科学与技术，2019，42（8）：142-149.21 Guo Zhishan，Liu Qingshan，Wang Jun.A one-layer recurrent neural network for pseudoconvex optimization subject to linear equality constraints J.IEEE Transactions on Neural Networks，2011，22（12）：1892-1900.22 张展羽，梁振华，冯宝平，等.基于主成分-时间序列模型的地下水位预测 J.水科学进展，2017，28（3）：415-420.23 高晓辉，周坤，李廉水.基于 XGBOOST 和 ELM 的混合空气质量预警系统：以南京为例 J.中国管理科学，2023，31（5）：269-278.24 杨 杰，冯 芸，黄 倩.基 于 MHPSO-NHMM-FIEGARCH-GED 模 型 的 Brent 原 油 价 格 波 动 研 究J.中国管理科学，2023，31（6）：265-275.25 易靖韬，严欢.基于小波分解和 ARIMA-GRU 混合模型 的 外 贸 风 险 预 测 预 警 研 究J.中 国 管 理 科 学，2023，31（6）：100-110.26 胡越，王桑原，覃浩恒，等.基于双重 XGBoost模型的农产品期货波动率预测以玉米期货为例 J.系统管理学报，2023，32（2）：332-342.27 熊红林，冀和，樊重俊，等.基于 LSTM-SVR 模型的航空旅客出行指数预测 J.系统管理学报，2020，29（6）：1169-1176.28 林宇，陈粘，黄登仕，陈宴祥.Brent 原油期货市场波动结构突变点预测 J.系统管理学报，2019，28（6）：1095-1105.29 张逸飞，成晟，韩一杰，等.整体与极端偏差之权衡：一种改进的组合预测优化方法 J.系统工程理论与实践，2023，43（6）：1837-1851.30 白云，钱箴，孙玉莹，等.基于综合集成预测方法的新冠肺炎疫情预测 J.系统工程理论与实践，2022，42（6）：1678-1693.31 孙少龙，魏云捷，汪寿阳.基于分解-聚类-集成学习的汇率预测方法J.系统工程理论与实践，2022，42（3）：664-677.32 张新生，张琪.基于改进 RFFS 和 GSA-SVR 的长输油管道腐蚀深度预测研究 J.系统工程理论与实践，2021，41（6）：1598-1610.33 崔 少 泽，赵 森 尧，王 延 章.基 于 ADASYN-IFA-Stacking 的再入院患者风险预测方法 J.系统工程理论与实践，2021，41（3）：744-758.34 唐振鹏，吴俊传，张婷婷，等.基于二次分解和集成学习的粮食期货价格预测研究 J.系统工程理论与实践，2021，41（11）：2837-2849.35 李洁，彭其渊，文超.基于 LSTM 深度神经网络的高速铁路短期客流预测研究 J.系统工程理论与实践，2021，41（10）：2669-2682.36 韩莹，张栋，孙凯强，等.结合长短时记忆网络和宽度学习的股票预测新模型研究 J.运筹与管理，2023，32（8）：187-192.37 宋耀宇.基于混合深度神经网络的大气污染预测 J.信息与电脑，2019，31（24）：99-101.56