文件名称：论文研究-基于二层分解技术和改进极限学习机模型的PM.pdf
文件大小：992KB
文件格式：PDF
更新时间：2022-10-10 16:14:04
论文研究
论文研究-基于二层分解技术和改进极限学习机模型的PM.pdf, 准确的PM2.5浓度预测对于保护公众健康和提高空气质量有重要意义，然而，由于PM2.5浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机（ELM）模型的PM2.5浓度预测方法，该方法融合了快速集成经验模态分解（FEEMD）和变分模态分解（VMD）两种分解技术以及经过差分演化（DE）算法优化的ELM模型.为了验证所提出预测方法的有效性，本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明：1）相比于单层分解技术，本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征；2）基于二层分解技术的DE-ELM预测模型可以显著提高PM2.5浓度的预测精度.