雾霾问题是与社会发展息息相关的热点问题,为了进行PM2.5浓度预测,为有效防治雾霾提供依据,本文提出了改进的VMD(变分模态分解)和LSTM(长短时记忆)神经网络相结合的PM2.5预测模型VMD-LSTM.首先利用阈值法确定VMD方法的分解数目,将历史数据分解成不同序列,然后对每个序列进行预测,最后将每个序列的预测结果求和得到最终的预测结果.将VMD-LSTM模型应用到北京市PM2.5序列的短期预测中,并利用7种评价指标将其与ARIMA(整合移动平均自回归)、RFR(随机森林回归)、LS-SVR(最小二乘支持向量回归)、LSTM等9种模型进行比较.结果 表明,在其中的5个误差评价指标中,VMD-LSTM模型表现最优,仅有1个误差指标评价位列第二,在协议指数评价中,VMD-LSTM模型最接近于1,精度最高.其中:VMD-LSTM模型的均方误差为41.10,均方根误差为6.42,平均绝对误差为5.79,协议指数为0.97;而RFR、VMD-LS-SVR、ARIMA和LSTM等9种模型的均方误差范围为60.72～1058.07,均方根误差范围为7.79～32.53,平均绝对误差范围为7.45～26.14,协议指数为0.39～0.95.相比于其他模型,本文提出的VMD-LSTM模型精度最高.

VMD;LSTM神经网络;阈值法;PM2.5;短期预测

秦喜文;王强进;王新民;郭佳静;初晓

长春工业大学数学与统计学院,长春130012;长春工业大学研究生院,长春130012;长春财经学院信息工程学院,长春130122

吉林大学学报（地球科学版）

[1]秦喜文;王强进;王新民;郭佳静;初晓-.基于VMD和LSTM方法的北京市PM2.5短期预测)[J].吉林大学学报（地球科学版）,2022(01):214-221

VMD,PM2,短期预测,雾霾,浓度预测,有效防治,变分模态分解,长短时记忆,阈值法,解数,历史数据,数据分解,分解成,模型应用,ARIMA,移动平均自回归,RFR,随机森林回归,SVR,最小二乘支持向量回归,误差指标,指标评价,价位,位列,指数评价,均方误差,平均绝对误差,误差范围,模型精度

0.296605