基于支持向量回归与LSTM的城市PM_(2.5)预测

摘要

针对城市PM_(2.5)变化的非线性、时序性等特征,提出一种基于支持向量回归(SVR)与长短期记忆(LSTM)相结合的预测模型。采用Morlet小波核函数作为支持向量回归的核函数,并通过改进粒子群算法对其进行参数优化,用SVR算法拟合城市PM_(2.5)值的非线性变化规律进而实现城市PM_(2.5)值的预测;用LSTM方法预测包含时间序列的城市PM_(2.5)值;将SVR与LSTM的预测结果进行非线性叠加得到较优的预测结果。使用某城市三处监测点真实数据集进行实验,结果表明提出的方法较ARMA时间序列、传统SVR以及单一的LSTM等均具有更高的准确度,是一种有效的城市PM_(2.5)预测模型。