针对当前O_(3)和PM_(2.5)数据的高波动性和非线性特征,研究提出了一种融合模态分解的蜣螂优化算法与最小二乘支持向量机(Dung Beetle Optimization and Least-Squares Support Vector Machine,DBO-LSSVM)组合预测模型。该模型利用辛几...针对当前O_(3)和PM_(2.5)数据的高波动性和非线性特征,研究提出了一种融合模态分解的蜣螂优化算法与最小二乘支持向量机(Dung Beetle Optimization and Least-Squares Support Vector Machine,DBO-LSSVM)组合预测模型。该模型利用辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)提取数据的主要模态,从而提高特征提取的有效性。之后,利用皮尔逊相关性分析筛选出与O_(3)和PM_(2.5)相关性较强的气象特征及其模态用作输入特征,并输入到结合蜣螂优化算法(Dung Beetle Optimization,DBO)的最小二乘支持向量机(Least-Squares Support Vector Machine,LSSVM)混合模型进行预测,以对2020—2023年京津冀地区O_(3)和PM_(2.5)数据进行试验验证。结果显示,结合模态分解的DBO-LSSVM混合模型在预测精度和稳定性方面均优于未结合模态分解的DBO-LSSVM模型。与其他现有预测模型相比,DBO-LSSVM展现出更高的预测准确性和鲁棒性,为高质量的环境空气质量预测提供了一种有效的解决方案。展开更多
