基于变分模态分解和深度学习的PM2.5浓度预测

《Scientific Reports》：Forecasting of PM2.5 concentration based on variational mode decomposition and deep learning

　　

摘要

准确预测PM_2.5浓度是空气质量监测研究中的关键焦点。鉴于PM_2.5时间序列的非线性和非平稳性，本文提出了一种预测模型，该模型结合了变分模态分解（VMD）、深度学习方法（如时间卷积网络TCN、双向长短期记忆BiLSTM）以及注意力机制。首先，使用VMD将原始PM_2.5序列分解为一组内在模态函数（IMFs），这些函数可以解释不同的物理现象。通过计算样本熵（SE）来评估每个IMF的复杂性，随后应用K均值聚类将各成分分为高频、中频和低频成分。接着构建了一个基于TCN-BiLSTM的预测架构，为每个频率带分别训练预测模型。最后引入注意力机制以自适应地学习不同频率成分预测模型的权重，并采用加权融合方法生成最终预测结果。实验评估表明，所提出的方法具有最佳的预测准确性，其均方根误差（RMSE）最低为16.920 μg/m³，平均绝对误差（MAE）最低为11.134 μg/m³，决定系数（R²）最高为0.960，从而证明了其改进的预测能力。