Print

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

论文摘要

合理构建PM2.5浓度预测模型是科学、准确地预测PM2.5浓度变化的关键。传统PM2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM2.5浓度时间序列数据,分析PM2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度(天际、月际)构建GRNN模型更具有现实意义;同时,PM2.5对PM10、NO2、O3、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM2.5浓度预测精度,MAE、MAPE、RMSE和R2分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天(PM2.5浓度大于100μg/m3)的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。

论文目录

  • 1 引言
  • 2 EEMD-GRNN模型的改进
  •   2.1 集合经验模态分解(EEMD)
  •   2.2 广义回归神经网络(GRNN)
  •   2.3 改进EEMD-GRNN模型
  • 3 实验区概况与实验数据
  •   3.1 实验区概况
  •   3.2 数据选择及来源
  • 4 实验结果及分析
  •   4.1 PM2.5浓度的尺度分析
  •     4.1.1 PM2.5浓度的EEMD分解
  •     4.1.2 PM2.5浓度的尺度重构
  •   4.2 PM2.5响应因子的选择
  •   4.3 PM2.5浓度的模拟预测及改进模型验证
  • 5 结论与讨论
  • 文章来源

    类型: 期刊论文

    作者: 符海月,张祎婷

    关键词: 南京市,本征模函数,时间尺度重构,多尺度响应,集合经验模态分解,广义回归神经网络

    来源: 地球信息科学学报 2019年07期

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑

    专业: 环境科学与资源利用

    单位: 南京农业大学土地管理学院

    基金: 国家自然科学基金项目(41871319)~~

    分类号: X513

    页码: 1132-1142

    总页数: 11

    文件大小: 1533K

    下载量: 272

    相关论文文献

    本文来源: https://www.lunwen90.cn/article/249d6e803b8d4262f11b4a7e.html