一种基于深度学习的当日PM_(2.5)混合集成预测方法

一种基于深度学习的当日PM_(2.5)混合集成预测方法

刘辉;邓达华

【期刊名称】《中南大学学报:英文版》

【年(卷),期】2022(29)6

【摘要】PM_(2.5)预测技术可为环境治理和保护公众健康提供科学依据。为预测PM_(2.5),本文提出一种新的混合集成深度学习模型。整个模型可以描述为:利用变分模态分解(VMD)将原始PM_(2.5)序列分解为8个不同频率特性的子序列,采用长短期记忆网络(LSTM)、回声状态网络(ESN)和时间卷积网络(TCN)对8个不同频率PM_(2.5)子序列进行并行预测,采用梯度增强决策树(GBDT),对LSTM、ESN和TCN的预测结果进行集成重构。基于采集于沈阳、长沙和深圳3个城市的

PM_(2.5)数据进行实验,得出以下结论:相对于传统的启发式集成方法,GBDT是一种更有效的集成优化方法。本文所提出模型在3个实验数据集上的MAE分别为1.587、1.718和1.327μg/m^(3),相对于其他16个对比模型,本文所提出预测模型具有更优秀的预测性能。

【总页数】10页(P2074-2083)

【作者】刘辉;邓达华

【作者单位】Institute of Artificial Intelligence&Robotics(IAIR) Laboratory for Traffic Safety on Track of Ministry of Education of Traffic and Transportation Engineering South University 410075

【正文语种】中文

【中图分类】TP3

【相关文献】

1.基于二次分解和深度学习的PM_(

2.5)集成预测方法2.基于集成学习算法的PM_(2.5)浓度值预测

3.一种基于LPP-BP神经网络的季节性PM_(2.5)预测方法

4.基于深度学习和支持向量机集成学习的PM_(2.5)浓度24 h预测

5.基于混合CNN-LSTM结构的PM_(2.5)浓度预测深度学习模型

因版权原因，仅展示原文概要，查看原文内容请购买