循环神经网络模型下道路碳排放浓度预测

以湖南省永州市永州大道基本路段CO₂浓度时序数据为研究对象,旨在实现道路CO₂浓度的实时预测。测得用于模型训练和预测精度计算的路段CO₂浓度数据,利用Savitzky-Golay滤波器对数据进行平滑去噪,在调试并建立循环神经网络最优模型结构的基础上,引入多元预测模型(MLR、SVR、BP)和时序预测模型(BP、RF、RNN、LSTM、GRU)进行预测性能对比,为路段CO₂浓度的实时预测提供参照。结果表明：时序预测模型相比于多元预测模型具有更好的预测效果,特别是循环神经网络模型中的GRU表现出较高的预测精度,其次是LSTM,最后是RNN;循环神经网络模型在处理路段CO₂浓度时序数据的训练和预测任务中具备突出性能,能够实时且精准预测道路路段CO₂浓度。