来源：期刊VIP网 时间：
作者：江雨燕;黄体臣;甘如美江;王付宇;
单位：安徽工业大学管理科学与工程学院;复杂系统多学科管理与控制安徽普通高校重点实验室;安徽工业大学电气与信息工程学院;
摘要：针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征，为了进一步提高PM_(2.5)质量浓度预测精确度，研究通过“分而治之”先分解再预测的思想，提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory, CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination, RFE)进行特征筛选，随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵，将样本熵由K-means聚类整合为新的分量，再由变分模态分解(Variational Mode Decomposition, VMD)方法进行二次分解。最后，将所有分量先经时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取，并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)预测，叠加各分量预测值即为最终预测结果。消融试验结果显示，该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见，研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小，精度更高，可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。
关键词：环境工程学;PM_(2.5)质量浓度预测;自适应噪声的完备经验模态分解;变分模态分解;时间卷积网络;双向长短期记忆网络
基金资助：国家自然科学基金项目(72274001,71872002); 复杂系统多学科管理与控制安徽省教育厅重点实验室开放课题项目(CS2022-ZD02,CS2023-ZD02)
