文献类型：期刊文章

作　　者：李济瀚[1] 李晓理[1,2] 王康[1] 崔桂梅[3]

LI Jihan;LI Xiaoli;WANG Kang;CUI Guimei(Faculty of Information Technology,Beijing University of Technology,Beijing 100124,China;Beijing Key Laboratory of Computational Intelligence and Intelligent System,Engineering Research Center of Digital Community,Ministry of Education,Beijing 100124,China;School of Information Engineering,Inner Mongolia University of Science and Technology,Baotou,Inner Mongolia 014010,China)

机构地区：[1]北京工业大学信息学部,北京100124 [2]北京市计算智能与智能系统重点实验室,教育部数字社区工程研究中心,北京100124 [3]内蒙古科技大学信息工程学院,内蒙古包头014010

出　　处：《北京理工大学学报》

基　　金：国家自然科学基金资助项目(61873006,61673053);国家重点研发计划资助项目(2018YFC1602704,2018YFB1702704)。

年　　份：2021

卷　　号：41

期　　号：12

起止页码：1262-1268

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为了提高细颗粒物PM_(2.5)浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合(PCA-OS-ELM)的PM_(2.5)浓度预测方法.首先,通过主成分分析方法(PCA)提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机(OS-ELM)网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_(2.5)浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_(2.5)浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.

关 键 词：PM_(2.5)  主成分分析 相关性  在线序列极限学习机  预测  

分 类 号：TP183]