基于IF-SVMD-BWO-LSTM的空气质量预测建模

作者：朱菊香; 谷卫; 钱炜; 张赵良; 张雯柏

来源：中国测试, 2023, 1-12.

• PM2.5预测
• 孤立森林
• 逐次变分模态分解
• 白鲸鱼
• 长短期记忆网络

为了提高PM2.5浓度的预测精度，基于PM2.5序列的复杂性和非线性，提出了孤立森林(Isolated forests，IF)异常值检测、逐次变分模态分解(Successive variational mode decomposition，SVMD)和白鲸鱼算法(Beluga whale optimization，BWO)优化长短期记忆网络(Optimize the long short-term memory network，LSTM)相结合的预测模型。首先，利用孤立森林算法清除数据中异常值；其次使用SVMD将原始不平稳的PM2.5序列进行分解，去除噪声数据后得到多个平稳的固有模态分量和残差分量，提高模型预测精度；然后，对分解后各个子序列使用LSTM进行预测，并利用BWO算法优化LSTM的权重和阈值，进一步提高组合模型的预测精度；最后将各个子序列进行叠加得到最终的预测结果。实验结果表明：IF-SVMD-BWO-LSTM模型在均方根误差比SVMD-BWO-LSTM模型和BWO-LSTM模型分别降低了4.03μg/m3和10.3μg/m3。在拟合度方面，本文所提模型比SVMD-BWO-LSTM模型和BWO-LSTM模型分别高了3.8%和9.5%。因此在空气质量预测上，本文提出的组合模型提高了PM2.5预测精度，达到预期的预测效果。

• 单位
  同济大学; 南京信息工程大学; 自动化学院