1.3方法

在污染物浓度预测上，常见的空气质量预测模型有自回归滑动平均模型（ARMA）、随机森林（Random Forests, RF）、支持向量回归（Support Vector Regression, SVR）、人工神经网络（Artificial Neural Network, ANN）和长短期记忆网络（LSTM），其中LSTM模型因其具有一定的时效性而被广泛应用在时序预测中。相较于传统的单一模块机器学习预测模型，本研究采用复合多模块的LSTM模型。复合模型中，通过ICEEMD模块，降低PM_2.5浓度数据中由于监测数据异常带来的误差；通过灰色关联度分析（Grey Relation Analysis，GRA）算法去除相关性较低的因素，进而降低计算量，节省计算时间。整体而言，本研究采用的GRA-ICEEMD-LSTM复合模型通过降低原始数据带来的误差和节省计算时间两个角度，提升LSTM模型的预测效果。