控制与决策

作者：刘金培,陈丽娟,汪漂,陈华友

单位：安徽大学 商学院,合肥 230601,,安徽大学 商学院,合肥 230601,,安徽大学 经济学院, 合肥 230601,,安徽大学 数学科学学院,合肥 230601,

关键词：PM2.5;三角模糊序列预测;空间聚类;多元经验模态分解;长短记忆神经网络

基金：国家自然科学基金项目(72071001,72001001,71871001)；教育部人文社会科学规划基金项目(20YJAZH 066)；安徽省自然科学基金项目(2008085MG226,2008085QG333,2008085QG334)；安徽省高校人文社会科学研究重点项目(SK2019A0013).

日间PM2.5浓度受本地和邻近地区的多重因素影响,具有高度不确定性和不稳定性.常见的PM2.5实值序列和区间序列分别反映其日均和极值波动状况,三角模糊序列将两者优点相结合可包含更多的有效信息.基于此,提出基于多元经验模态分解(multiple empirical mode decomposition,MEMD)和空间层次聚类的PM2.5三角模糊序列多因子组合预测模型.首先,运用皮尔曼相关系数分析PM2.5与本地污染物浓度、气象要素间的关联度,选取本地影响因子;其次,计算PM2.5与空间污染物浓度间的关联度,并据此对邻近城市K-means空间聚类得到核心影响、一般影响和偏远影响城市群,并统计各城市群不同污染物的综合指数,即空间影响因子;进而,利用MEMD对PM2.5和影响因子的三角模糊序列同时进行分解,重构得到高频、低频以及趋势序列;最后,运用BP神经网络、长短记忆神经网络(long short-term memory,LSTM)、最小二乘支持向量回归(least squares support vector regression, LSSVR)分别对子序列进行多输入单输出的预测,并将上述单项预测结果相加,即得到PM2.5三角模糊序列的预测值.仿真实验结果表明,所提出的模型能够充分考虑气象条件和多种污染物的空间影响,具有较强的预测精度和良好的实用性.

来源：2023年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第2期