来源：期刊VIP网 时间：
作者：王平;许濒月;雷卓祎;张贵生;吴青东;
单位：山西财经大学资源环境学院;兰州大学信息科学与工程学院;山西大学环境与资源学院;
摘要：为提高PM_(2.5)浓度预测精度，提出了基于季节趋势分解的时间序列混合预测模型（Hybrid-X12）。首先，使用季节趋势分解算法将PM_(2.5)时序分解为趋势-循环、季节和不规则子序列；然后，分别使用自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）、长短期记忆网络（Long Short Term Memory,LSTM）和支持向量机（Support Vector Machine,SVM）对以上子序列进行预测；最后，集成子序列结果得到最终的预测结果。仿真实验选用华北地区主要六个城市PM_(2.5)月浓度数据，平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）和一致性指数（Index of Agreement,IA）为模型评价指标。实验结果证明混合预测模型能明显提高预测精度，与传统单一模型ARIMA、LSTM和SVM相比，以北京为例，MAE分别降低了18.72%、60.14%和43.15%，验证了季节趋势分解算法有助于时序季节趋势信息挖掘，针对不同特征子序列选择合适的算法充分发挥不同模型优势，为PM_(2.5)浓度预测提供了新思路。
关键词：PM_(2.5)浓度预测;;季节趋势分解;;自回归移动平均模型;;长短期记忆网络;;支持向量机
基金资助：国家社会科学基金(20BTJ045)
