典型文献
一种基于深度学习的当日PM2.5混合集成预测方法
文献摘要：
PM2.5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PM2.5,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PM2.5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PM2.5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PM2.5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/m3,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.
文献关键词：
PM2.5预测;变分模态分解;深度神经网络;集成学习
中图分类号：
作者姓名：
刘辉;邓达华
作者机构：
文献出处：
引用格式：
[1]刘辉;邓达华-.一种基于深度学习的当日PM2.5混合集成预测方法)[J].中南大学学报（英文版）,2022(06):2074-2083
A类：
B类：
当日,PM2,混合集成,集成预测,预测技术,治理和保护,公众健康,集成深度学习,深度学习模型,变分模态分解,VMD,序列分解,不同频率,频率特性,子序列,长短期记忆网络,回声状态网络,ESN,时间卷积网络,TCN,梯度增强决策树,GBDT,沈阳,启发式,集成方法,集成优化,出模,MAE,对比模型,预测性能,深度神经网络,集成学习
AB值：
0.416706
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
