基于SWT-ISSA-LSTM的地铁空气质量预测建模

为了提高地铁室内PM_(2.5)的预测精度,降低监测成本,提出了一种基于孤立森林算法(isolated forest,IF)、同步压缩小波变换算法(SWT)、改进麻雀搜索算法(improved sparrow search algorithm,ISSA)和长短期记忆网络(long short-term memory network,LSTM)的混合模型。首先,使用孤立森林算法检测并去除异常数据,在用SWT算法对原始PM_(2.5)数据进行去噪处理;其次,针对麻雀算法(SSA)易陷入局部最优、收敛速度慢的问题,利用正弦混沌、动态自适应惯性权重、高斯变异和反向学习策略改进麻雀算法,降低了SSA陷入局部最优解的概率,提高了麻雀算法的收敛速度和寻优能力;最后,利用ISSA对LSTM模型的参数进行寻优,构建ISSA-LSTM模型进行预测,得到最终的PM_(2.5)预测结果。实验结果表明,SWT-ISSA-LSTM模型在均方根误差比SWT-LSTM模型和SWT-SSA-LSTM模型分别降低了8.38和3.27μg/m^(3)。在拟合度方面,该模型比SWT-LSTM模型和SWT-SSA-LSTM模型分别高了10.6%和2.9%。

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。