CEEMDAN-SVM-LSTM预测模型

PM2.5预测更准

通过集成分解与混合回归，在长短期预报中均超越传统模型，显著提升PM2.5浓度预测精度。

Ameri, Rasoul · Hsu, Chungchian · Shahab S., Band · Zamani, Mazdak · Chi-Min, Shu · Khorsandroo, Sajad

Ecotoxicology and Environmental Safety 2023

参数信息

平均绝对误差

1.858

均方误差

7.2449

均方根误差

2.6682

决定系数

0.9169

技术优势

预测更准

结合CEEMDAN分解与SVM、LSTM，捕捉数据中的非线性与时序特征，1天前预测的MAE为1.858，MSE为7.2449，RMSE为2.6682，R²为0.9169，均优于对比方法。

长短期都行

模型不仅能预测1天，在3天和7天前预测中也取得最佳性能，适合不同时间尺度的预报需求。

应用场景

• 空气质量监测：用于实时监测站点，提供未来1、3、7天PM2.5浓度预报。
• 环境数据分析：处理历史PM2.5序列，提取非线性特征并建模。
• 公共健康预警：提前预警PM2.5超标，为公众健康防护提供决策依据。