基于IF-SVMD-BWO-LSTM的空气质量预测建模

为了提高PM_(2.5)浓度的预测精度,基于PM_(2.5)序列的复杂性和非线性,提出孤立森林(isolated forests,IF)异常值检测、逐次变分模态分解(successive variational mode decomposition,SVMD)和白鲸鱼算法(Beluga whale optimization,BWO)优化长短期记忆网络(long short-term memory network,LSTM)相结合的预测模型。首先,利用孤立森林算法清除数据中异常值;其次使用SVMD将原始不平稳的PM_(2.5)序列进行分解,去除噪声数据后得到多个平稳的固有模态分量和残差分量,提高模型预测精度;然后,对分解后各个子序列使用LSTM进行预测,并利用BWO算法优化LSTM的权重和阈值,进一步提高组合模型的预测精度;最后将各个子序列进行叠加得到最终的预测结果。实验结果表明:IF-SVMD-BWO-LSTM模型在均方根误差比SVMD-BWO-LSTM模型和BWO-LSTM模型分别降低了4.03μg/m^(3)和10.3μg/m^(3)。在拟合度方面,该模型比SVMD-BWO-LSTM模型和BWO-LSTM模型分别高了3.8%和9.5%。因此在空气质量预测上,该组合模型提高了PM_(2.5)预测精度,达到预期的预测效果。