CN115372550B 基于二次eemd分解结合gafsa-lstm的空气质量预测方法 （淮阴工学院）

基于二次EEMD分解结合GAFSA-LSTM的空气本发明公开了一种基于二次EEMD分解结合据本身，并结合GAFSA优LSTM实现对空气质量数值的预测，使用获取到的T段时间长度的空气质将原始数据集中的AQI列作为二次EEMD的待分解N列IMF分量以及1列残差分量；接着将残差分量值，并分别带入经过GAFSA优化后的LSTM模型中这N+K+1列预测值进行线性累加实现重构，得到最终的空气质量预测值，将得到的结果与原始AQI值进行比对。本发明能够获得更为准确的预2步骤2：基于步骤1所述初始空气质量序列x(t)，采用集合经x1y(3)将该高斯白噪声n(t)加入到空气质量初始序列x(t)中，进行第m次经验模态分解将步骤1所获取到的数据集D1中的AQI列进行EEMD一次分解，得到N列一次EEMD分解的步骤3：基于步骤2分解后得到的1列残差分量r1(t)，再次采用(5)将步骤2中获取到的一次分解残差分量再次带入到EEMD模型中，进行EEMD二次分型训练与预测，将步骤2与步骤3中对AQI列进行EEMD分解的分量值分别作为GAFSA_LSTM模所述步骤4构建GAFSA_LSTM网络模型的具体(1)使用全局人工鱼群GAFSA对LSTM网络模型中隐藏层神经单元数V和学习率C进行迭(2)使用GAFSA_LSTM网络模型对步骤3分解后得到的分量分别输入GAFSA_LSTM模型中，32.根据权利要求1所述的基于二次EEMD1)寻找添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟3.根据权利要求1所述的基于二次EEM1)寻找添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟4.根据权利要求1所述的基于二次EEMD分解结合G2)GAFSA设置待优化参数，将每一条人工鱼设置为一45.根据权利要求1所述的基于二次EEMD分解结合GAFSA_LSTM的空气质量预测方法，其i(t)表示一次GAFSA_EEMD分解所得到的IMF分量结果，imf2i(t)表示二次6.根据权利要求1所述的基于二次EEMD分解结合GAFSA_LSTM的空气质量预测方法，其5[0001]本发明涉及空气质量指数AQI的预测，特别涉及一种基于二次EEMD分解结合[0006]步骤2：基于步骤1所获取到的初始空气质量序列x(t)，采用集合经验模态分解EEMD对初始空气质量序列中的AQI列进行分解，分解得到若干列分量以及1列残差分量r1预测，将步骤2与步骤3中对AQI列进行EEMD分解的分量值分别作为GAFSA_LSTM模型训练集62nxn为空气质2n为空气[0015]1)寻找添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函[0022](1)将步骤2中EEMD分解后的残差分量r1(t)作为二次EEMD分解的输入值输入其[0024](3)添加高斯白噪声n(t)将经验模态分解EMD模型改变为集合经验模态分解EEMD[0025]1)寻找添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函7[0032](1)使用GAFSA_LSTM网络模型对步骤3分解后得到的分量分别输入GAFSA_LSTM模人工鱼移动的最大步长Step、最大迭代次数Iter、个体人工鱼的总数NGAFSA、尝试次数89基于该地区的空气质量检测平台系统，监测到该2浓度2浓度3浓度到的预测精度相较于不分解以及一次EEMD分解来说有着一定的提升；分解后的AQI序列降3浓度[0081]步骤1.3：采样获取的数据集为上海市自2NO2浓度[0096]步骤3.1：将步骤2中EEMD分解后的残差分量r[0104]步骤3.9：将步骤2中获取到的一次分解残差分量再次带入到EEMD模型中，进行EEMD二次分解，获取到9列二次EEMD分解的IMF分量以及1列二次EEMD分解的残差分量r2人工鱼移动的最大步长Step、最大迭代次数Iter、个体人工鱼的总数NGAFSA、尝试次数>iyr误差MAE、平均绝对百分比误差MAPE，并与循环神经网络RNN、LSTM、一次EEMD分解结合[0142]评价指标均方误差MSE、R2决定系数、平均绝对误差MAE、平均绝对百分比误差进一步地，与EEMD_LSTM相比，本发明基于二次EEMD分解结合GAFSA_LSTM模型(Double之相对的比较模型在这些点处的结果有些不尽