基于SWT-ISSA-LSTM的地铁空气质量预测建模

为了提高地铁室内PM_2.5的预测精度，降低监测成本，提出了一种基于孤立森林算法(isolated forest, IF)、同步压缩小波变换算法(SWT)、改进麻雀搜索算法(improved sparrow search algorithm, ISSA)和长短期记忆网络(long short-term memory network, LSTM)的混合模型。首先，使用孤立森林算法检测并去除异常数据，在用SWT算法对原始PM_2.5数据进行去噪处理；其次，针对麻雀算法(SSA)易陷入局部最优、收敛速度慢的问题，利用正弦混沌、动态自适应惯性权重、高斯变异和反向学习策略改进麻雀算法，降低了SSA陷入局部最优解的概率，提高了麻雀算法的收敛速度和寻优能力；最后，利用ISSA对LSTM模型的参数进行寻优，构建ISSA-LSTM模型进行预测，得到最终的PM_2.5预测结果。实验结果表明，SWT-ISSA-LSTM模型在均方根误差比SWT-LSTM模型和SWT-SSA-LSTM模型分别降低了8.38和3.27μg/m³。在...