基于ARIMA-LSTM神经网络PM₁₀质量浓度预测

摘要

PM₁₀作为大气污染的主要成分之一，准确预测其变化趋势对健康防护和污染防控至关重要。利用自回归移动平均模型（autoregressive integrated moving average model,ARIMA）和长短期记忆神经网络（long shortterm memory,LSTM）二者结合构成的ARIMA-LSTM模型预测大气PM₁₀质量浓度。以淮北市2024年6月1日至9月30日的大气污染数据为基础，利用ARIMA模型对PM₁₀质量浓度线性部分进行预测，运用LSTM模型对非线性残差进行预测，最终将二者的预测结果相加得到组合模型最终预测值。预测结果表明，组合模型平均绝对百分比误差降至9.743 9%，拟合度为0.932 08，其在预测精度和鲁棒性上均有较好提升，有望在大气污染物质量浓度预测等领域发挥重要作用。

关键词

自回归移动平均模型 / 长短期记忆神经网络 / 组合模型 / PM₁₀预测 / 时间序列分析

基金资助

国家自然科学基金项目（41875040）; 安徽省高等学校创新团队项目（2023AH010003）; 国家基金延伸项目（RE230067,RE230068,RE230069,RE240055）