基于PSO超参数优化的三种深度学习模型用于北京PM2.5预测
机器学习
2023-06-14 v1 人工智能
神经与进化计算
摘要
深度学习是一种在包括自然语言处理、图像识别与预测在内的各类应用中表现优异的机器学习方法。深度学习网络性能取决于超参数设置。本研究尝试利用基于群体智能的元启发式优化方法粒子群优化（PSO）优化长短期记忆（LSTM）、卷积神经网络（CNN）与多层感知机（MLP）的深度学习架构以用于预测任务：提出M-1（PSO-LSTM）、M-2（PSO-CNN）与M-3（PSO-MLP）。采用北京PM2.5数据集评估所提模型性能。以PM2.5为目标变量，受露点、气压、温度、累积风速、降雪小时数与降雨小时数影响。深度学习网络输入包含日、周、月三种不同情景。结果表明，相较于所提M-2、M-3及所有基线，具有三个隐藏层的所提M-1在RMSE与MAPE上取得最佳结果。可借助这些优化模型生成空气污染管理建议。
引用
@article{arxiv.2306.07296,
title = {Optimized Three Deep Learning Models Based-PSO Hyperparameters for Beijing PM2.5 Prediction},
author = {Andri Pranolo and Yingchi Mao and Aji Prasetya Wibawa and Agung Bella Putra Utama and Felix Andika Dwiyanto},
journal= {arXiv preprint arXiv:2306.07296},
year = {2023}
}
备注
Volume 5 (1): 53-66