基于RF-EMD-LSTM对PM2.5浓度预测研究 |
| |
引用本文: | 吴晓璇,朱俊,文强.基于RF-EMD-LSTM对PM2.5浓度预测研究[J].河北师范大学学报(自然科学版),2024(3):234-243. |
| |
作者姓名: | 吴晓璇 朱俊 文强 |
| |
作者单位: | 1. 合肥学院人工智能与大数据学院;2. 安徽建筑大学智能建筑与建筑节能重点实验室 |
| |
基金项目: | 安徽省重点实验室开放项目(IBES2021KF07); |
| |
摘 要: | 实现PM2.5浓度的精准预测对空气污染防治具有重要的指导作用.鉴于多数研究中PM2.5浓度预测算法和特征都较为单一,不能精确实现PM2.5浓度的短时预测,提出了一种新颖的混合预测框架(RF-EMD-LSTM),通过过去24 h数据实现下一小时PM2.5浓度预测.首先利用随机森林算法(random forests, RF)对污染物数据特征进行重要性评估,实现特征选择;然后再将特征数据与通过经验模态分解(empirical mode decomposition, EMD)的PM2.5特征分解后的序列联合作为长短期记忆网络(long short term memory network, LSTM)的输入数据,进行模型训练,训练结果相加获得最终PM2.5浓度预测值.实验结果表明,提出的混合模型与其他单一模型相比,预测精度明显最佳.
|
关 键 词: | PM2.5预测 随机森林算法 经验模态分解 长短期记忆网络 |
|
|