基于互补集合经验模态分解与支持向量回归的 PM2.5质量浓度预测
针对大气PM2.5质量浓度的非线性和非平稳性的特点,为了提高PM2.5质量浓度的预测精度,采用"分解与整合"的预测方法,建立了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和支持向量回归(support vector regression,SVR)的混合预测模型(CEEMD-SVR).该模型首先采用CEEMD对PM2.5质量浓度的原始时间序列进行分解,得到若干具有不同时间尺度的相对平稳分量;然后采用SVR算法对各个分量分别进行预测;最后求出各个分量的预测值之和,作为原始PM2.5质量浓度的预测结果.选取北京市海淀区万柳监测站点2014年3月1日—2015年4月30日的PM2.5日均质量浓度以及北京市怀柔监测站点2014年5月1日—2015年4月30日的PM2.5日均质量浓度作为实验样本集.研究结果与EEMD-SVR、EMD-SVR和单一SVR模型进行对比,表明CEEMD-SVR模型有效提高了PM2.5质量浓度的预测精度.
PM2.5、非线性、分解与整合、互补集合经验模态分解(CEEMD)、支持向量回归(SVR)、混合预测模型
44
TP183(自动化基础理论)
国家自然科学基金资助项目61473034,61673053
2019-01-04(万方平台首次上网日期,不代表论文的发表时间)
共9页
1494-1502