基于"分解-集成"的建模思路,構(gòu)建了變分模態(tài)分解（VMD）、彈網(wǎng)懲罰長短期記憶網(wǎng)絡（ELSTM）和網(wǎng)格搜索算法（GS）相結(jié)合的多模態(tài)集成預測模型（VMD-ELSTM-GS）,并利用蘭州和南京兩個城市的PM_2.5濃度數(shù)據(jù)進行了實證預測。研究結(jié)果表明:彈網(wǎng)正則化的深度學習方法ELSTM能夠提高預測精度,而基于VMD的"分解-集成"范式能夠有效降低PM_2.5濃度數(shù)據(jù)的非平穩(wěn)、高波動程度。 

【文章來源】：統(tǒng)計學報. 2020,1(02)

【文章頁數(shù)】：9 頁

【部分圖文】：

南京PM2.5多模態(tài)集成預測效果

蘭州PM2.5多模態(tài)集成預測效果

圖3 蘭州PM2.5濃度日均值（μg/m3)從表1及圖3、4中可以看出，PM2.5濃度具有含噪音、含極端值、高波動等特點。表1中較高的偏度值說明數(shù)據(jù)是非對稱分布的，峰度是較高的正數(shù)則說明數(shù)據(jù)較標準正態(tài)分布更為陡峭。因此，在建模之前對數(shù)據(jù)集中的缺失值、離群點進行預處理是很有必要的。本文采用拉依達法剔除蘭州實驗數(shù)據(jù)的15個離群點和南京實驗數(shù)據(jù)的26個離群點，運用三次樣條插值法對原始缺失點和被剔除的離群點重新插值，以使數(shù)據(jù)平滑。


本文編號：3477227