基于深度学习的PM(2.5)多模态集成预测应用

LZUFE-KMS > 教务处

	基于深度学习的PM(2.5)多模态集成预测应用
	黄恒君; 王伟科
	2020
发表期刊	统计学报
卷号	1 期号:2 页码:39-47
摘要	基于"分解-集成"的建模思路,构建了变分模态分解(VMD)、弹网惩罚长短期记忆网络(ELSTM)和网格搜索算法(GS)相结合的多模态集成预测模型(VMD-ELSTM-GS),并利用兰州和南京两个城市的PM_(2.5)浓度数据进行了实证预测。研究结果表明:弹网正则化的深度学习方法ELSTM能够提高预测精度,而基于VMD的"分解-集成"范式能够有效降低PM_(2.5)浓度数据的非平稳、高波动程度。
关键词	变分模态分解空气质量多视角学习 ELSTM神经网络集成学习
URL	查看原文
ISSN	2095-106X
语种	中文
中图分类号	O212
文献类型	期刊论文
条目标识符	http://ir.lzufe.edu.cn/handle/39EH0E1M/23594
专题	教务处统计与数据科学学院
作者单位	兰州财经大学统计学院,甘肃兰州730020
第一作者单位	统计与数据科学学院
推荐引用方式 GB/T 7714	黄恒君,王伟科. 基于深度学习的PM(2.5)多模态集成预测应用[J]. 统计学报,2020,1(2):39-47.
APA	黄恒君,&王伟科.(2020).基于深度学习的PM(2.5)多模态集成预测应用.统计学报,1(2),39-47.
MLA	黄恒君,et al."基于深度学习的PM(2.5)多模态集成预测应用".统计学报 1.2(2020):39-47.