基于VMD-CEEMD分解和LSTM的PM2.5和O3浓度预测模型

针对现有PM_2.5和O₃预测模型精度不高的问题,基于南京市2015-01-01-2021-06-30期间的PM_2.5和O₃日平均浓度数据,构建了一种互补集合经验模态分解（CEEMD）二次分解和长短期记忆神经网络（LSTM）的污染物浓度预测模型。通过变分模式分解（VMD）将污染物浓度序列进行一次分解,利用分解后的残余分量进行CEEMD二次分解,再将分解后的所有子序列通过LSTM进行预测,最后将输出结果重构得到最终结果。结果表明:在南京市场景下进行预测时,与3种比较模型相比,所提出的模型具有优越性和便捷性,其O₃和PM_2.5浓度的RMSE分别为16.47、5.12。该研究结果可为分析O₃和PM_2.5污染趋势提供参考。