基于深度学习的PM 2.5 多模态集成预测应用

发布时间：2021-11-05 06:03

　　基于"分解-集成"的建模思路,构建了变分模态分解（VMD）、弹网惩罚长短期记忆网络（ELSTM）和网格搜索算法（GS）相结合的多模态集成预测模型（VMD-ELSTM-GS）,并利用兰州和南京两个城市的PM_2.5浓度数据进行了实证预测。研究结果表明:弹网正则化的深度学习方法ELSTM能够提高预测精度,而基于VMD的"分解-集成"范式能够有效降低PM_2.5浓度数据的非平稳、高波动程度。 

【文章来源】：统计学报. 2020,1(02)

【文章页数】：9 页

【部分图文】：

南京PM2.5多模态集成预测效果

兰州PM2.5多模态集成预测效果

图3 兰州PM2.5浓度日均值（μg/m3)从表1及图3、4中可以看出，PM2.5浓度具有含噪音、含极端值、高波动等特点。表1中较高的偏度值说明数据是非对称分布的，峰度是较高的正数则说明数据较标准正态分布更为陡峭。因此，在建模之前对数据集中的缺失值、离群点进行预处理是很有必要的。本文采用拉依达法剔除兰州实验数据的15个离群点和南京实验数据的26个离群点，运用三次样条插值法对原始缺失点和被剔除的离群点重新插值，以使数据平滑。


本文编号：3477227