典型文献
基于CEEMD-ISSA-LSTM的空气质量预测
文献摘要：
针对传统空气质量(AQI)预测模型精度较低的问题,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的预测模型.首先,针对具有大量噪声的AQI数据直接进行预测误差较大的问题,利用CEEMD算法将原始AQI数据进行模态分解,以降低噪声对预测结果的影响.其次,针对麻雀搜索算法(SSA)易陷入局部最优、收敛速度慢的问题,利用正弦混沌、动态自适应惯性权重、高斯变异和反向学习策略改进麻雀算法,降低了 SSA陷入局部最优解的概率,提高了麻雀算法的收敛速度和寻优能力.最后,利用ISSA对LSTM模型的参数进行寻优,构建ISSA-LSTM模型进行预测,得到最终的AQI预测结果.实验结果表明,与其他传统预测模型相比,基于CEEMD-ISSA-LSTM模型对AQI的预测具有更高的精度,其预测的均方根误差为1.24 μg/m3,平均绝对误差为0.98 μg/m3,拟合度为98.5％.
文献关键词：
空气质量预测;CEEMD;改进麻雀算法;长短期记忆网络
中图分类号：
作者姓名：
朱菊香;谷卫;罗丹悦;潘斐;张赵良
作者机构：
无锡学院轨道交通 无锡214105;南京信息工程大学自动化学院 南京210000
文献出处：
引用格式：
[1]朱菊香;谷卫;罗丹悦;潘斐;张赵良-.基于CEEMD-ISSA-LSTM的空气质量预测)[J].国外电子测量技术,2022(11):120-129
A类：
B类：
CEEMD,ISSA,空气质量预测,AQI,预测模型精度,互补集合经验模态分解,改进麻雀搜索算法,长短期记忆网络,接进,预测误差,低噪声,收敛速度,速度慢,正弦,混沌,动态自适应,自适应惯性权重,高斯变异,反向学习策略,改进麻雀算法,局部最优解,寻优能力,传统预测模型,平均绝对误差,拟合度
AB值：
0.237618
相似文献
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。
