基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究 |
| |
引用本文: | 刘微,陈福集.基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究[J].福州大学学报,2022(2):44-52. |
| |
作者姓名: | 刘微 陈福集 |
| |
作者单位: | 福州大学经济与管理学院 |
| |
基金项目: | 国家自然科学基金项目“基于知识网络面向网络舆情的政府决策知识供需匹配研究”(71271056); |
| |
摘 要: | 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。
|
关 键 词: | 集合经验模态分解 相空间重构 CS-SVR PM2.5 预测模型 |
|
|