咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >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... 收藏

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

Prediction of PM_(2.5) Mass Concentration Based on Complementary Ensemble Empirical Mode Decomposition and Support Vector Regression

作     者:李建更 罗奥荣 李晓理 LI Jiangeng;LUO Aorong;LI Xiaoli

作者机构:北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 数字社区教育部工程研究中心北京100124 

出 版 物:《北京工业大学学报》 (Journal of Beijing University of Technology)

年 卷 期:2018年第44卷第12期

页      面:1494-1502页

学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:国家自然科学基金资助项目(61473034 61673053) 

主  题:PM2.5 非线性 分解与整合 互补集合经验模态分解(CEEMD) 支持向量回归(SVR) 混合预测模型 

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.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分