增强的空气质量预测使用一个合的DVMD Informer-CNN-LSTM模型,优化与泥虫算法.
Yang Wu1,2, Chonghui Qian1,2, Hengjun Huang1,2
1School of Statistics and Data Science, Lanzhou University of Finance and Economics, Lanzhou 730020, China.
Entropy (Basel, Switzerland)
|July 26, 2024
概括
本研究引入了一种新的空气质量指数 (AQI) 预测模型,使用虫算法 (DBO) 来优化变化模式分解 (VMD) 的参数,并集成Informer和CNN-LSTM模型,提高预测准确度.
科学领域:
- 环境科学与工程环境科学与工程
- 大气科学 大气科学
- 环境监测中的人工智能
背景情况:
- 准确的空气质量指数 (AQI) 预测对于环境评估至关重要,因为空气质量数据的复杂性和非线性性质.
- 传统模型在功能利用,参数调整和预测准确性方面面临局限性,需要先进的方法.
研究的目的:
- 通过使用虫算法 (DBO) 优化变量模式分解 (VMD) 参数来开发一个增强的AQI预测模型.
- 整合告知器和卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,以进行自适应序列预测.
- 提高AQI预测的准确性和效率.
主要方法:
- 从气象数据中使用相关系数方法选择特征.
- 基于DBO的VMD参数优化 (惩罚因子,模式数量).
- 使用Informer用于高频和CNN-LSTM用于低频数据组件的混合预测,然后进行重建.
主要成果:
- 拟议的DBO-VMD-Informer-CNN-LSTM模型显著优于北京空气质量数据中的现有方法.
- 证明的改善包括平均绝对误差 (MAE) 减少了13.59%,根-平均-平方误差 (RMSE) 减少了7.04%,R-平方 (R2) 增加了1.39%.
- 与其他群集智能算法相比,DBO算法显示出更高的计算效率和准确性.
结论:
- 开发的合模型为AQI预测提供了更优越,更准确的方法.
- 这种方法解决了传统模型的局限性,并为环境监测提供了新的解决方案.
- 预测准确度的提高有助于更好地评估和管理大气环境.
