基于CEEMDAN-IPOA-LSTM的空气质量预测.pdf

摘要

随着经济的快速发展和工业化进程的加快，空气污染问题日益加剧，严重影

响着人们的身体健康，受到全社会的关注。沈阳作为东北老工业基地，人口密度

大，加上冬季供暖需求，空气质量问题严峻。基于此，本文利用科学的方法建立

空气质量预测模型，预测沈阳市空气质量，为政府相关部门监测空气质量提供参

考，做了如下研究：

（1）收集沈阳市2017年4月1日至2022年3月31日，共1827天中包含空

气质量指数AQI、PM、PM、SO、CO、NO、O各项污染物的含量以及平均

2.510223

温度、平均风速两种气象因素的相关数据，对其进行相关性分析。其次，分析得

出沈阳市空气质量存在明显季节性特征，冬季污染较为严重，春秋季次之，夏季

污染程度较轻，根据沈阳市空气质量特征选择擅长处理长序列数据的LSTM的作

为基础预测模型。

（2）建立长短期记忆网络模型，利用收集到的沈阳市空气质量数据进行训

练，并利用测试集对AQI进行预测，针对单一LSTM模型在极端数据预测上存在

误差的问题，利用自适应噪声完备集合经验模态分解（CompleteEnsemble

EmpiricalModeDecompositionwithAdaptiveNoise,CEEMDAN）进行数据分解，

再通过计算样本熵将数据重构，建立复合LSTM模型，利用CEEMDAN有效地保

留了时间序列的关键特征，提高了预测精准度；在此基础上，引入四种改进策略

对鹈鹕优化算法（PelicanOptimizationAlgorithm,POA）进行改进，利用折射反向

学习机制进行初始化，融合正余弦算法，采用Levy飞行机制进行鹈鹕位置更新，

最后引入自适应t分布变异。并将改进后的鹈鹕优化算法（IPOA）应用于LSTM

权值和阈值的优化中，结果表明，基于CEEMDAN-IPOA-LSTM的复合模型预测

精度有显著提升。

（3）为验证所提出模型的有效性，选取CEEMDAN-PSO-LSTM、

CEEMDAN-POA-LSTM、CEEMDAN-IPOA-GRU、CEEMDAN-IPOA-LSTM四个

模型进行对比试验，结果表明，本文所提模型预测精度最高。

以历史数据准确预测未来数据，能够为公众健康保护和环境管理提供关键信

息，使政府、企业和民众能够采取预防措施，减少污染对健康的影响。通过研究

表明，本文所提出的复合模型能很好地应用于沈阳市空气质量预测，实现对空气

质量状况的优先把控。

关键词：空气质量预测，CEEMDAN，鹈鹕优化算法，LSTM神经网络

I

AirqualitypredictionbasedonCEEMDAN-IPOA-LSTM

Abstract

Withtherapiddevelopmentoftheeconomyandtheaccelerationofindustrialization,

airpollutionproblemshavebecomeincreasinglysevere,seriouslyaffectingpeoples

healthandattractingattentionfromallsectorsofsociety.Shenyang,asanoldindustrial

baseinNortheastChina,withalargepopulationdensityandheatingdemandsinwinter,

facesseriousairqualityissues.Basedonthis,thisthesisestablishesanairquality

predictionmodelusingscientificmethodstopredict