基于LSTM-SVR混合模型的PM2.5浓度预测
王倩影
杨可鑫
河北经贸大学数学与统计学学院 河北石家庄 050061
摘要：PM2.5是衡量空气污染物浓度的重要指标,实现对PM2.5浓度精确预测具有重大的社会意义和应用价值.基于此,提出了一种基于长短期记忆网络(long short-term memory,LSTM)和支持向量回归(support vector regression,SVR)混合模型(long short-term memory-support vector regression,LSTM-SVR)的PM2.5浓度预测方法.该方法通过对SVR模型引入松弛变量,对LSTM模型中较大的预测误差进行修正,从而达到更好的预测效果.以北京市PM2.5浓度数据为例进行实证分析,结果显示,混合模型相较对比模型具有更好的PM2.5浓度预测能力.
关键词：PM2.5浓度预测长短期记忆网络支持向量回归
资助基金：国家自然科学基金(61602148)河北省科技计划(ZD2021043,QN2018126,BJ2020011;ZD2021319)国家自然科学基金(2020YB13)
论文发表日期：2021-09-28
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 33-36 )