基于二层分解技术和改进极限学习机模型的PM2.5浓度预测研究

作     者：罗宏远 王德运 刘艳玲 魏帅 林彦兵 LUO Hongyuan1,WANG Deyun1,2,LIU Yanling1,WEI Shuai1,LIN Yanbing1

作者机构：中国地质大学(武汉)经济管理学院武汉430074 中国地质大学(武汉)中国矿产资源战略与政策研究中心武汉430074 

出 版 物：《系统工程理论与实践》 (Systems Engineering-Theory & Practice)

年 卷 期：2018年第38卷第5期

页      面：1321-1330页

核心收录：

学科分类：07[理学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 

基　　金：国家自然科学基金(71301153) 中国地质大学(武汉)中国矿产资源战略与政策研究中心开放基金(H2017011B)~~ 

主　　题：PM2.5浓度预测 快速集成经验模态分解 变分模态分解 差分演化算法 极限学习机 

摘      要：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.