基于 VMD-DBO-LSTM 的空气质量预测

针对传统空气质量预测模型收敛速度慢,精度低的问题,提出一种基于变分模态分解(variational mode decom posi- tion,VMD) 和蜣螂优化算法(dung beetle optimizer,DBO)优化长短期记忆网络(long short term memory,LSTM)的预测模 型。首先,针对 AQI原始数据具有大量噪声的问题,使用VMD方法对非平稳信号进行模态分解以降低噪声对预测结果的影 响从而获得多个不同特征的模态分量;其次,针对 LSTM 靠人工经验调参存在一定局限性,利用DBO算法对LSTM 模型参数 进行优化;最后,对分解后的各个子序列使用LSTM 模型预测,将各个子序列进行叠加得到最后的预测结果。实验结果表明, VMD对非平稳数据的分解有助于提高预测精度,VMD-DBO-LSTM 模型的性能较其他模型均有不同程度的提高,该模型预 测的均方根误差为4.73μg/m³, 平均绝对误差为3.61μg/m³, 拟合度达到了97.8%。     

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自 适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM₂s 数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行 二次分解;其次,引入Cubic 混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速 度;最后,采用改进的沙猫群算法对 LSTM 模型参数进行优化,将各个子序列导入ISCSO-LSTM 模型预测并叠加得到最终预 测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM 组合模型具有较低的预测误差,相比 CEEMDAN-VMD-LSTM 和 CEEMDAN-VMD-SCSO-LSTM 模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m³, 在拟合度方面分别提高了 4 .9%和2 . 1%。