相关实验视频
Updated: Jul 27, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
446
一个基于SSA-LSTM的AQI分解组合模型,使用改进的AMSSA-VMD分解重建技术
Kai Wang1, Xinyue Fan2, Xiaoyi Yang1
1College of Mathematics and Physics, Chengdu University of Technology, Chengdu, 610059, China.
Environmental research
|June 10, 2023
概括
本研究引入了一种改进的综合学习模型,用于准确预测空气质量指数 (AQI). 新的IAMSSA-VMD-SSA-LSTM模型在预测空气污染水平方面表现出卓越的性能.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 空气质量指数 (AQI) 对于监测空气污染和公共卫生至关重要.
- 准确的AQI预测对于及时控制和管理空气污染至关重要.
研究的目的:
- 开发一种新的综合学习模型,以提高AQI预测.
- 通过使用先进的优化和分解技术,提高AQI预测的准确性和稳定性.
主要方法:
- 为优化变化模式分解 (VMD) 参数,开发了一种改进的人工海洋歌鸟算法 (IAMSSA).
- IAMSSA-VMD将非线性AQI数据分解为正规的子序列.
- 一个Sparrow搜索算法 (SSA) 优化了每个分解组件的长短期内存 (LSTM) 参数,创建了一个集成模型 (IAMSSA-VMD-SSA-LSTM).
主要成果:
- 与传统算法相比,IAMSSA表现出优越的融合,准确性和稳定性.
- 在IAMSSA-VMD-SSA-LSTM模型中,MAE,RMSE,MAPE和R2值分别为3.692,4.909,6.241和0.981,实现了最佳的预测性能.
- 与其他测试模型相比,拟议的模型表现出优越的概括能力.
结论:
- IAMSSA-VMD-SSA-LSTM分解组合模型提供了更高的预测准确性和改进的拟合和概括能力.
- 这项研究为空气污染预测和生态系统恢复工作提供了坚实的理论和技术基础.
