论文部分内容阅读
可入肺颗粒物(PM2.5)是指空气动力学当量直径小于或等于2.5微米的细颗粒。PM2.5能够长期存在于空气当中,其在空气中浓度越高表明空气污染越严重。PM2.5可能造成一系列严重的健康问题,这是由于PM2.5的直径很小,而且容易附带诸多有毒、有害物质(例如重金属、致病微生物等)。因此对于PM2.5浓度的精确预测和控制就显得尤为关键。本文基于一个新的预测原则——“分解-提取-预测-合成”,提出了基于FEEMD-KPCA-ELM(Fast ensemble empirical mode decomposition-Kernel principal component analysis-Extreme learning machine)的混合模型来对PM2.5浓度进行精确预测。快速集合经验模态分解(FEEMD)将初始的PM2.5序列快速分解成为若干条本征模函数(IMFs),每一条本征模函数都包含原始PM2.5序列的重要信息,然而对过多的本征模函数进行预测势必会造成模态混合、模型复杂等问题,这会严重影响到预测结果的精度,同时增加预测工作量。为解决这一问题并且简化冗余的输入数据,本文提出了使用核主成分分析(KPCA)来提取各本征模函数中包含的信息。在混合模型中极限学习机(ELM)算法对提取之后的主成分(PCs)进行预测,然后文中使用另一个极限学习机对预测后的结果进行合成,从而得到最终的预测结果。混合模型的提取部分可能会造成信息的缺失,因此本文使用了一种残差检验方法——Ljung-Box Q-Test来验证残差序列为白噪声。混合模型的验证数据来自于中国主要的两个城市(上海,太原)的每日PM2.5监测值。最后,混合模型与两组比较模型的对比实验证明了提出的新模型具有预测精度高、速度快的优点。