1 引 言
2 数据与方法
2.1 研究数据
2.2 研究方法
2.2.1 经验模态分解(EMD)
2.2.2 随机森林
2.2.3 长短时记忆神经网络(LSTM)
3 基于EMD-RF-LSTM的组合预测模型设计
3.1 模型设计
3.2 评价指标
4 试验及结果分析
4.1 数据预处理
4.2 开发环境及工具选择
4.3 基于EMD的溶解氧多尺度分解
4.4 IMF分量预测及参数设置
表1 各分量LSTM预测结果精度分析Table 1 Forecast results for each sub sequence of LSTM |
分量 | MAPE | RMSE | MAE |
---|---|---|---|
IMF1 | 0.8097 | 0.2911 | 0.2350 |
IMF2 | 0.1397 | 0.4436 | 0.1687 |
IMF3 | 0.0100 | 0.0543 | 0.0449 |
IMF4 | 0.0082 | 0.0880 | 0.0435 |
IMF5 | 0.0185 | 0.1298 | 0.1424 |
IMF6 | 0.0206 | 0.0176 | 0.0170 |
IMF7 | 0.0033 | 0.0080 | 0.0080 |
Rn | 0.0101 | 0.0353 | 0.0331 |
|
表2 各分量RF预测结果精度分析Table 2 Forecast results for each sub sequence of RF |
分量 | MAPE | RMSE | MAE |
---|---|---|---|
IMF1 | 1.1542 | 0.3802 | 0.3268 |
IMF2 | 0.1218 | 0.0952 | 0.0604 |
IMF3 | 0.0118 | 0.0520 | 0.0421 |
IMF4 | 0.0154 | 0.0796 | 0.0524 |
IMF5 | 0.0044 | 0.0234 | 0.0194 |
IMF6 | 0.0007 | 0.0004 | 0.0003 |
IMF7 | 0.0045 | 0.0099 | 0.0084 |
Rn | 0.0097 | 0.0253 | 0.0249 |
4.5 基于EMD-RF-LSTM的组合预测
表3 7种模型预测结果精度Table 3 Forecast results for the seven models |
序号 | 模型 | MAPE | RMSE | MAE |
---|---|---|---|---|
1 | ELM | 0.1159 | 0.6969 | 0.5824 |
2 | RF | 0.1027 | 0.7585 | 0.5823 |
3 | LSTM | 0.1021 | 0.6794 | 0.5070 |
4 | EMD-ELM | 0.0810 | 0.4906 | 0.3905 |
5 | EMD-RF | 0.0304 | 0.3803 | 0.2467 |
6 | EMD-LSTM | 0.0257 | 0.3173 | 0.2113 |
7 | EMD-RF-LSTM | 0.0129 | 0.1156 | 0.0844 |