基于自适应时序分解的空气污染物浓度预测
为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型.首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一 组不同频率、复杂度的固有模态函数(IMF)和一 个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC 一 起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果.实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性.
空气污染物浓度预测、自适应完整集成经验模态分解、排列熵、门控循环单元、神经网络
42
TP391(计算技术、计算机技术)
山西省重点研发项目201803D121102
2023-02-16(万方平台首次上网日期,不代表论文的发表时间)
共10页
83-91,98