降低PM2.5浓度数据中由于监测数据异常带来的误差
更新日期:2021-07-13     浏览次数:110
核心提示:1.3方法在污染物浓度预测上,常见的空气质量预测模型有自回归滑动平均模型(ARMA)、随机森林(Random Forests, RF)、支持向量回归(Support Vector

1.3方法

在污染物浓度预测上,常见的空气质量预测模型有自回归滑动平均模型(ARMA)、随机森林(Random Forests, RF)、支持向量回归(Support Vector Regression, SVR)、人工神经网络(Artificial Neural Network, ANN)和长短期记忆网络(LSTM),其中LSTM模型因其具有一定的时效性而被广泛应用在时序预测中。相较于传统的单一模块机器学习预测模型,本研究采用复合多模块的LSTM模型。复合模型中,通过ICEEMD模块,降低PM2.5浓度数据中由于监测数据异常带来的误差;通过灰色关联度分析(Grey Relation Analysis,GRA)算法去除相关性较低的因素,进而降低计算量,节省计算时间。整体而言,本研究采用的GRA-ICEEMD-LSTM复合模型通过降低原始数据带来的误差和节省计算时间两个角度,提升LSTM模型的预测效果。

2019-04-24• 夏热冬冷地区绿植空气负离子和PM2.5浓度分布特
《夏热冬冷地区绿植空气负离子和PM2.5浓度分布特征及其与微气候关系研究》为作者:王薇最新的研究成果,本论文的主要观点为随着大气环境问题日趋严重...