基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究

为了解决具有非线性特征的未来24小时PM2.5浓度预测难题，将集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相空间重构(phase space reconstruction, PSR)技术与布谷鸟算法优化的支持向量机(CS-SVR)模型结合起来，建立EEMD-PSR-CS-SVR组合预测模型。采用EEMD将PM2.5浓度时间序列分解为n个不同尺度的IMF子序列及余项，然后对各子序列进行相空间重构，再用重构后数据对支持向量机预测模型进行训练并得到未来24小时PM2.5浓度的预测结果，在其中采用布谷鸟算法对支持向量机参数进行优化。实验结果显示：建立EEMD-PSR-CS-SVR组合预测模型对PM2.5浓度的预测结果，相对于单一预测模型(ARIMA、LSTM、BP)、不同的模态分解方法(EMD-PSR、CEEMD-PSR),以及不同参数优化算法的SVR预测模型等具有显著提高的预测精度(R,RMSE, MAE, MAPE等评价指标),为未来24小时PM2.5浓度预测研究提供了一种新的方法。