经验模态分解融合深度学习的时间序列预测模型

为解决时间序列预测模型预测误差大且预测存在滞后一期的问题,提出一种融合经验模态分解与深度学习的时间序列预测模型(RecNet),将时间序列通过完全自适应噪声集合经验模态分解(CEEMDAN)算法分解为代表不同时间尺度的本征模态函数序列,对每一路分解结果确定最佳滑动窗口参数,利用长短期神经网络(LSTM)与门控循环单元(GRU)对高频和低频序列进行预测,将预测结果使用全连接层与真实值进行非线性拟合,得出最终预测结果.实验结果表明:RecNet在4组时间序列数据上的预测结果优于一次、二次指数平滑模型、BP神经网络、RNN、LSTM、GRU,证明该模型能有效减小预测误差且改善预测滞后一期现象.

四川省工业污染脱钩分析与减排绩效研究

基于脱钩理论,选取工业增加值与单位工业增加值以及SO;、NO;、烟粉尘排放量作为评价指标,构建脱钩系数和滞后一期脱钩系数相结合的综合脱钩指数,对四川省21个市(州)2012—2018年单位工业增加值与污染排放水平之间的脱钩状态和实际减排绩效进行研究并对比分析,最后提出针对性的减排建议。结果显示,综合脱钩指数分析结果与减排绩效实证研究结果相吻合,内江市仍处于相对脱钩状态,工业废气减排绩效较低;凉山州为衰退脱钩,工业废气减排绩效低,存在工业衰退风险;其余市(州)为强脱钩,阿坝州、攀枝花市、凉山州、内江市等需大幅降低单位工业增加值污染排放量,并加强污染物协同减排。