基于互补集合经验模态分解与支持向量回归的PM 2.5 质量浓度预测
摘要
针对大气PM 2.5 质量浓度的非线性和非平稳性的特点，为了提高PM 2.5 质量浓度的预测精度，采用'分解与整合'的预测方法，建立了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition，CEEMD）和支持向量回归（support vector regression，SVR）的混合预测模型（CEEMD-SVR）.该模型首先采用CEEMD对PM 2.5 质量浓度的原始时间序列进行分解，得到若干具有不同时间尺度的相对平稳分量；然后采用SVR算法对各个分量分别进行预测；最后求出各个分量的预测值之和，作为原始PM 2.5 质量浓度的预测结果.选取北京市海淀区万柳监测站点2014年3月1日-2015年4月30日的PM 2.5 日均质量浓度以及北京市怀柔监测站点2014年5月1日-2015年4月30日的PM 2.5 日均质量浓度作为实验样本集.研究结果与EEMD-SVR、EMD-SVR和单一SVR模型进行对比，表明CEEMD-SVR模型有效提高了PM 2.5 质量浓度的预测精度.
引用本文（GB/T 7714）
李建更, Jiangeng Li, 罗奥荣, 等. 基于互补集合经验模态分解与支持向量回归的PM 2.5 质量浓度预测[J]. 未知来源, 2018.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。