文献类型：期刊文章

作　　者：梁涛[1] 谢高锋[1] 米大斌[2] 姜文[2]

LIANG Tao;XIE Gao-feng;MI Da-bin;JIANG Wen(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;Jointo Energy Investment Co.,Ltd,Hebei,Shijiazhuang 050001,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300401 [2]河北建投能源投资股份有限公司,石家庄050001

出　　处：《环境工程》

基　　金：河北省科技计划项目(16214510D,17214304D,19210108D);石家庄科技局重点研发项目(181060481A)。

年　　份：2020

卷　　号：38

期　　号：2

起止页码：107-113

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、JST、ZGKJHX、核心刊

摘　　要：针对PM10浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-样本熵(sample entropy,SE)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先利用CEEMDAN-SE将原始PM10浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM10浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。

关 键 词：PM10 浓度预测  集成经验模态分解  样本熵  时间序列

分 类 号：X513]