论文部分内容阅读
PM(2.5)是衡量空气污染物浓度的核心指标。通过挖掘PM(2.5)历史数据的时序特性,完成对未来PM(2.5)浓度值的精确预测具有较强的学术意义和应用价值。然而,原始PM(2.5)浓度值时间序列数据相关性对模型的预测精度产生了较大的影响。为了解决这个问题,文中提出一种基于补充总体经验模态分解-皮尔逊相关分析(CEEMD-Pearson)和深度长短期记忆神经网络(Long Short Term Memory,LSTM)混合模型的PM(2.5)浓度预测方法。该方法利用补充总体经验模态分解(Complemen