基于支持向量机的细颗粒物日均浓度预测

为了更加准确的预测大气中的细颗粒物日均浓度,提出了集合经验模态分解(EEMD)-样本熵(SE)和粒子群优化算法(PSO)-最小二乘支持向量机(LSSVM)的组合预测模型。首先采用EEMD方法将原始序列分解成多个相对比较平稳的分量;然后对各分量采用SE进行复杂度分析之后重组,得到若干个新分量;接着,对新分量分别建立采用PSO优化惩罚参数和核参数的LSSVM预测模型,得到各个新分量的预测结果;最后将这些预测结果叠加,得到原始序列的预测值。对上海市的细颗粒物日均浓度采用单一的LSSVM模型和ARIMA模型和本文提出的模型进行预测,并采用多个评价指标进行评价,得出本文提出模型的预测精度更高。