2023-05-10计算机应用,JournalofComputerApplications2023,43(5):1394-1400ISSN1001-9081CODENJYIIDUhttp：//www.joca.cn基于烛台图模式匹配的PM2.5扩散特征的提取许睿1，梁爽1，万航2*，文益民1，沈世铭3，李建1（1.桂林电子科技大学计算机与信息安全学院，广西桂林541004；2.南方海洋科学与工程广东省实验室（广州），广州511458；3.卫星导航定位与位置服务国家地方联合工程研究中心（桂林电子科技大学），广西桂林541004）（∗通信作者电子邮箱wanhang@gmlab.ac.cn）摘要：现有大气质量预测方法多基于单纯的时间序列数据进行趋势预测，忽略了污染物传输和扩散规律及其分类间模式特征的问题。为此，提出一种基于烛台图模式匹配（CPM）的PM2.5（大气细颗粒物污染）扩散特征提取方法。首先，利用基于卷积神经网络（CNN）的卷积思想从大量历史PM2.5序列中生成基础周期烛台图；然后，通过距离公式对不同烛台图特征向量的浓度模式进行聚类分析；最后，结合CNN在图像识别中的独特优势，形成融合图形特征与时序特征序列的混合模型，判断带有反转信号的烛台图将导致的趋势反转情况。在桂林市大气质量在线监测站的监测时序数据集上的实验结果表明，与使用单一时间序列数据的深度卷积神经网络VGG（VisualGeometryGroup）相比，基于CPM的提取方法准确率提升了1.9个百分点。可见，基于CPM的方法能有效提取PM2.5趋势特征，可以用于预测未来污染物浓度周期变化。关键词：大气污染现象；烛台图理论；模式匹配；卷积神经网络；PM2.5中图分类号：TP391.4文献标志码：AExtractionofPM2.5diffusioncharacteristicsbasedoncandlestickpatternmatchingXURui1，LIANGShuang1，WANHang2*，WENYimin1，SHENShiming3，LIJian1（1.CollegeofComputerandInformationSecurity，GuilinUniversityofElectronicTechnology，GuilinGuangxi541004，China；2.SouthernMarineScienceandEngineeringGuangdongLaboratory（Guangzhou），GuangzhouGuangdong511458，China；3.SatelliteNavigationPositioningandLocationServiceNationalandLocalJointEngineeringResearchCenter（GuilinUniversityofElectronicTechnology），GuilinGuangxi541004，China）Abstract:Mostexistingairqualitypredictionmethodsfocusonsimpletimeseriesdatafortrendprediction，andignorethepollutanttransportanddiffusionlawsandcorrespondingclassifiedpatternfeatures.Inordertosolvetheaboveproblem，aPM...
