摘要: 随着全球城市化进程加速，干旱区城市PM2.5污染因其独特的地理气候条件，呈现强非平稳性与复杂时空特征，传统预测模型难以有效捕捉其动态规律。针对这一挑战，构建了“自适应噪声完备经验模态分解-常春藤优化算法-柯尔莫哥洛夫-阿诺德网络-双向长短期记忆神经网络”（CEEMDAN-IVY-KAN-BiLSTM）混合预测框架，以提升PM2.5浓度的预测精度。该框架通过降噪分解与参数优化联合提取多尺度特征，融合KAN-BiLSTM模型的强非线性拟合与双向时序建模能力，有效提升预测性能。结果表明：（1）2021—2024年乌鲁木齐市PM2.5浓度呈显著季节性波动，冬季因燃煤供暖和逆温层影响均值达41.97 μg·m-3，夏季因大气对流增强，浓度降至全年低位附近，且整体呈逐年下降趋势。（2）对数据进行重要性排序可知PM2.5与空气质量指数、PM10、CO、NO2呈强正相关，与气温、露点温度呈负相关，表明燃煤排放、机动车尾气及气象扩散条件是主要影响因素，且模型有效分离了数据中PM2.5序列的高频波动（如沙尘事件）与低频趋势（季节性变化），降低数据非平稳性影响。（3）实验基于2021—2024年乌鲁木齐市逐日空气质量数据开展，结果显示本框架在决定系数、平均绝对误差与均方根误差指标上分别达到0.991、1.391和1.881，均显著优于传统机器学习和常见深度学习模型。验证了“分解-优化-集成”的深度学习框架在干旱区城市PM2.5预测中的适用性。
相关信息
点击量
下载量
