基于KZ滤波和LSTM的上海市O_(3)预测模型

针对臭氧长时间序列预测精度及气象特征选择问题,提出通过Kolmogorov Zurbenko(KZ)滤波分解臭氧(O_(3))原始序列,利用支持向量回归(SVR)改进的最大最小冗余(mRMR)方法筛选气象特征,之后采用长短期记忆网络(LSTM)实现对上海2023年5~8月静安监测站(城市)、浦东川沙(城郊)和淀山湖(郊区)的O_(3)预测.结果表明,特征筛选得到对O_(3)基准和短期分量的最优组合包括气压、温度、湿度、边界层高度和风向.基于LSTM模型对特征筛选后的不同时间分量进行预测,静安站、浦东川沙站和淀山湖站R2分别为0.86、0.83和0.85,RMSE分别为18.26、18.74和20.02μg·m^(-3),表明通过分解原始O_(3)序列能够提高预测精度,特征筛选后的组合能够保持模型的预测性能.