基于EMD和CatBoost算法的改进时间序列模型

——以大连市PM2.5预测为例

打开文本图片集

摘要：【目的】解决传统大气PM2.5浓度时序预测时精度较低问题，减少PM2.5时间序列的非线性、高噪声、不平稳与波动性对预测的影响，从而更精确地预测PM2.5浓度。【方法】以2014年1月1日至2022年1月31日大连市雾霾天气时PM2.5数据为例，提出了经验模态分解（EMD）、分类提升 （CatBoost）、自回归综合移动平均模型（ARIMA）组合的混合机器学习时间序列模型，并与传统自回归模型（AR）、ARIMA，以及只加入EMD方法后的混合模型进行比较。（剩余14066字）