南京林业大学学报（自然版） ›› 2024, Vol. 48 ›› Issue (03): 268-274.
赵凌霄, 李智扬, 屈磊磊
摘要： 【目的】解决传统大气PM2.5浓度时序预测时精度较低问题，减少PM2.5时间序列的非线性、高噪声、不平稳与波动性对预测的影响，从而更精确地预测PM2.5浓度。【方法】以2014年1月1日至2022年1月31日大连市雾霾天气时PM2.5数据为例，提出了经验模态分解（EMD）、分类提升（CatBoost）、自回归综合移动平均模型（ARIMA）组合的混合机器学习时间序列模型，并与传统自回归模型（AR）、ARIMA,以及只加入EMD方法后的混合模型进行比较。【结果】混合模型EMD-CatBoost-ARIMA较原始序列均方根误差（RMSE）改进20.76%,平均绝对值误差（MAE）改进17.40%,希尔不等系数（TIC）改进29.17%。【结论】对于高熵值的重构序列，EMD分解方法和CatBoost算法能够显著提升PM2.5时间序列模型的预测性能。相比较传统时间序列模型，EMD-CatBoost-ARIMA模型对大气PM2.5浓度预测性能较高。
中图分类号:
