基于CEEMD-ISSA-LSTM的空气质量预测

作者：朱菊香; 谷卫; 罗丹悦; 潘斐; 张赵良

来源：国外电子测量技术, 2022, 41(11): 120-129.

DOI：10.19652/j.cnki.femt.2204219

• 空气质量预测
• CEEMD
• 改进麻雀算法
• 长短期记忆网络

针对传统空气质量(AQI)预测模型精度较低的问题，提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的预测模型。首先，针对具有大量噪声的AQI数据直接进行预测误差较大的问题，利用CEEMD算法将原始AQI数据进行模态分解，以降低噪声对预测结果的影响。其次，针对麻雀搜索算法(SSA)易陷入局部最优、收敛速度慢的问题，利用正弦混沌、动态自适应惯性权重、高斯变异和反向学习策略改进麻雀算法，降低了SSA陷入局部最优解的概率，提高了麻雀算法的收敛速度和寻优能力。最后，利用ISSA对LSTM模型的参数进行寻优，构建ISSA-LSTM模型进行预测，得到最终的AQI预测结果。实验结果表明，与其他传统预测模型相比，基于CEEMD-ISSA-LSTM模型对AQI的预测具有更高的精度，其预测的均方根误差为1.24μg/m3,平均绝对误差为0.98μg/m3,拟合度为98.5%。

• 单位
  枣庄学院; 南京信息工程大学滨江学院; 南京信息工程大学; 自动化学院