基于多目标哈里斯鹰优化算法的日度 PM2.5 与 PM10 预测混合新模型

高浓度的空气污染可能严重影响人们的居住环境甚至危及生命。为降低空气污染浓度并在有害空气污染物出现前对公众发出预警，亟需设计准确可靠的空气污染物预测模型。然而，以往多数研究存在诸多不足，如忽视预测稳定性的重要性、初始参数不佳等，显著影响了空气污染预测的性能。为此，针对这些问题，本文提出一种新型混合模型。具体而言，首先采用一种强大的数据预处理技术将原始时间序列分解为从低频到高频的不同模态。其次，本文首次提出一种称为 MOHHO 的新的多目标算法，用于同时调整 ELM 模型的参数，使其在空气污染序列预测中具有高预测精度与稳定性。优化后的 ELM 模型用于执行时间序列预测。最后，设计了一套科学的、稳健的评估体系，包含若干误差准则、基准模型以及利用来自中国三座城市的六组空气污染物浓度时间序列开展的若干实验，对所提出的混合预测模型进行详尽评估。实验结果表明，相较于其他模型，所提混合模型能够保证更稳定且更高的预测性能，其优越的预测能力有助于制定有效的空气污染物排放规划并预防空气污染引发的健康问题。