基于二次EEMD分解结合GAFSA-LSTM的空气质量预测方法

基于二次EEMD分解结合GAFSA-LSTM的空气质量预测方法

基于二次eemd分解结合gafsa-lstm的空气质量预测方法
技术领域
1.本发明涉及空气质量指数aqi的预测，特别涉及一种基于二次eemd分解结合gafsa-lstm的空气质量预测方法。


背景技术：

2.客观评价一个区域的环境质量状况，需要综合考虑各种因素之间以及影响因素与环境质量之间错综复杂的关系，目前已有诸如统计学方法预测、数值预测和以深度学习为代表的人工智能算法预测，例如：李勇辉利用空间统计学方法对北京市的空气质量进行预测，并将空间自回归模型与空间自相关性应用到空气质量分析中，取得了一定的成果；章太馨利用静止轨道卫星himawari-8/ahi提供的数据构建aod反演模型实现对pm2.5的预测，在此基础上建立因子筛选机制，提高了模型的泛化性能；蒲国林等提出基于改进神经网络的空气质量预测；白盛楠等提出基于lstm循环神经网络的pm2.5预测；程蓉等提出基于神经随机森林的局部空气质量预测模型。上述方法均存在预测结果精度低、时间损耗率大、泛用性能不强、可靠性不高的缺陷。


技术实现要素：

3.发明目的：针对背景技术中指出的问题，本发明提供一种基于二次eemd分解结合gafsa-lstm预测方法，将eemd分解目标设置为数据集中的aqi序列，构建gafsa优化的lstm模型，将经过两次eemd分解后的aqi序列作为预测标签值输入gafsa-lstm网络模型中，训练gafsa-lstm模型，以此实现对空气质量的预测。
4.技术方案：本发明公开一种基于二次eemd分解结合gafsa-lstm的空气质量预测方法，包括如下步骤：
5.步骤1：针对某一地区的空气质量情况，基于该地区的空气质量检测平台系统，监测到该地区某一时间区间内的pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度、aqi值，并获取上述初始空气质量序列x(t)，对该序列进行清洗与预处理操作后，得到数据集d，并将其拆分为训练集与测试集；
6.步骤2：基于步骤1所获取到的初始空气质量序列x(t)，采用集合经验模态分解eemd对初始空气质量序列中的aqi列进行分解，分解得到若干列分量以及1列残差分量r1(t)；
7.步骤3：基于步骤2分解后得到的1列残差分量r1(t)，再次采用集合经验模态分解eemd对该残差分量进行分解，分解得到若干列分量以及1列残差分量r2(t)；
8.步骤4：建立gafsa-lstm网络模型，其中，gafsa的作用是对lstm中隐藏层神经单元数v和学习率c进行迭代寻优，使用gafsa-lstm网络模型对分解得到的分量进行模型训练与预测，将步骤2与步骤3中对aqi列进行eemd分解的分量值分别作为gafsa-lstm模型训练集的输入标签输入到模型当中，对模型进行训练，其中，残差分量r2(t)进行保留，不输入模型中；
9.步骤5：输出训练集的结果，对结果值进行重构操作，并验证模型在训练集上的预测效果；
10.步骤6：依据步骤2、3、4、5，将建立的预测模型在测试集上进行验证，实现空气质量aqi值的预测。
11.进一步的，所述步骤2一次集合经验模态分解eemd，具体操作为：
12.(1)将步骤1中获取到的数据集d进行拆分，拆分为训练集与测试集，其中训练集为d1，测试集为d2，训练集d1：d1＝{(x1，y1)，(x2，y2)，...，(xn，yn)}，其中x1，x2，...，xn为空气质量因子值，包括pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度，y1，y2，...，yn为空气质量系数aqi值；
13.(2)eemd分解的幅值设置为a、高斯白噪声n(t)的分解次数设置为m，且该噪声服从正态分布规律；
14.(3)将该高斯白噪声n(t)加入到空气质量初始序列x(t)中，进行第m次经验模态分解emd；
15.1)寻添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟合求得其上包络线序列u(t)和下包络线序列v(t)，并取其均值，得到均值序列m(t)＝(u(t)+v(t))/2；
16.2)添加噪声后的序列减去均值序列，得到中间序列h(t)＝x(t)-m(t)；
17.3)判断h(t)是否满足本征模函数imf，若满足，则将其定义为imf1，否则将其视为新的x(t)重复步骤1)-2)，直至完成第m次emd分解；
18.4)计算残差分量r1(t)＝x(t)-h(t)；对残差分量r1(t)重复步骤1)-3)，直至满足分解终止条件时停止；
19.(4)将m次emd分解得到的imf分量进行集合平均，用来抵消加入的白噪声带来的幅值影响；
20.(5)将步骤1所获取到的数据集d1中的aqi列进行eemd一次分解，得到n列一次eemd分解的imf分量以及1列一次eemd分解的残差分量r1(t)。
21.进一步的，步骤3二次集合经验模态分解，具体表述为：
22.(1)将步骤2中eemd分解后的残差分量r1(t)作为二次eemd分解的输入值输入其中；
23.(2)二次eemd分解模型的各参数设置同步骤2，分别设置为：幅值设置为a、高斯白噪声n(t)的分解次数设置为m，且该噪声服从正态分布规律；
24.(3)添加高斯白噪声n(t)将经验模态分解emd模型改变为集合经验模态分解eemd模型的方法同步骤2，分别表示为：
25.1)寻添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟合求得其上包络线序列u(t)和下包络线序列v(t)，并取其均值，得到均值序列m(t)＝(u(t)+v(t))/2；
26.2)添加噪声后的序列减去均值序列，得到中间序列h(t)＝x(t)-m(t)；
27.3)判断h(t)是否满足本征模函数imf，若满足，则将其定义为imf2，否则将其视为新的x(t)重复步骤1)-2)，直至完成第m次emd分解；
28.4)计算残差分量r2(t)＝x(t)-h(t)；对残差分量r2(t)重复步骤1)-3)，直至满足
分解终止条件时停止；
29.(4)将m次emd分解得到的imf分量进行集合平均，用来抵消加入的白噪声带来的幅值影响；
30.(5)将步骤2中获取到的一次分解残差分量再次带入到eemd模型中，进行eemd二次分解，获取到k列二次eemd分解的imf分量以及1列二次eemd分解的残差分量r2(t)。
31.进一步的，步骤4构建gafsa-lstm网络模型，具体表述为：
32.(1)使用gafsa-lstm网络模型对步骤3分解后得到的分量分别输入gafsa-lstm模型中，并分别进行预测，得到预测结果；
33.(2)使用gafsa对lstm网络模型中隐藏层神经单元数v和学习率c进行迭代寻优，其中全局人工鱼gafsa的构建方法如下：
34.1)gafsa参数初始化，设置参数包括：人工鱼的初始位置、人工鱼的视野域visual、人工鱼移动的最大步长step、最大迭代次数iter、个体人工鱼的总数n
gafsa
、尝试次数trynum、拥挤度因子δ、隐藏层神经单元数v和学习率c；
35.2)gafsa设置待优化参数，将每一条人工鱼设置为一组(v，c)的参数组合，并进行初始化；
36.3)gafsa设置目标值，将待优化参数带入lstm网络模型中，结合空气质量数据的训练集与测试集，得到平均绝对百分比误差mape，将该平均绝对百分比误差的最小值作为参数寻优的目标值，其中
37.4)gafsa适应度计算，每条人工鱼分别执行聚行为、追尾行为、觅食行为、随机行为，并对每一条人工鱼的适应度进行计算，将所有的人工鱼进行比较，得到其中最优的一条并记录，其中gafsa各行为描述如下：
38.①
觅食行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其感知范围内随机选取一种状态x
gafsaj
，数学表达式如下：
39.x
gafsaj
＝x
gafsai
+visual
·
rand()；
40.在求极大值问题中，若y
gafsai
＜y
gafsaj
，则向该位置和全局最优位置x
best
的向量和方向上前进一步；若不满足该条件则重新选择xj的状态，数学表达式如下：若y
gafsai
＜y
gafsaj
时，则执行：
[0041][0042]
否则执行：x
i/next
＝x
gafsai
·
step
·
rand()；
[0043]
若超过最大尝试次数，即i
gafsa
＞trynum仍不满足该条件，则随机移动一步；
[0044]
②
聚行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其邻域d
i，i
＜visual内寻伙伴数目nf以及中心位置x
gafsac
，若表明鱼中心食物浓度大且拥挤度低，则朝着该位置和全局最优位置x
best
的向量和方向上前进一步；否则执行觅食行为。数学表达式如下：若时，则执行：
[0045]
[0046]
否则执行觅食行为；
[0047]
③
追尾行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其邻域d
i，j
＜visual内包含一条食物浓度为最大值的人工鱼x
max
，若表明该条鱼x
max
当前具有较大的物浓度且周围拥挤度较低，则朝该条鱼的方向和全局最优位置x
best
的向量和方向上前进一步；
[0048]
否则执行觅食行为，数学表达式如下：若时，则执行：
[0049][0050]
否则执行觅食行为。
[0051]
④
随机行为：在视野域内随机选择一个状态去执行，然后朝着该状态的方向进行移动，其属于觅食行为的一种缺省，数学表达式如下：
[0052]
x
i/next
＝(x
max-x
min
)
·
rand+x
min
；
[0053]
5)gafsa选择执行行为。对每条人工鱼模拟执行聚行为与追尾行为并进行评价，实际执行评价度高的行为，觅食行为与随机行为表示缺省；
[0054]
6)gafsa更新位置信息。每条人工鱼在执行完选择的行为后，基于全局信息与局部信息更新人工鱼的位置信息；
[0055]
7)gafsa更新状态，更新全局最优的人工鱼状态；
[0056]
8)gafsa迭代与终止，若达到设置的迭代次数则跳出循环，终止并输出当前最优人工鱼状态即最优(v，c)的参数组合，并带入lstm得到其预测结果；否则跳转到4)继续执行；
[0057]
(3)将分解后得到的aqi序列作为gafsa-lstm模型训练集中的标签值，总计共n+k+1列，输入gafsa-lstm模型中。
[0058]
进一步的，步骤5使用到信号重构方法，具体表述为：
[0059]
(1)输出gafsa-lstm模型所得到的结果值；
[0060]
(2)将上述结果值进行重构，采用线性累加的方式，即可得到训练集的预测值fes(t)，其表达式为：
[0061][0062]
其中，imfi(t)表示一次gafsa-eemd分解所得到的imf分量结果，imf2i(t)表示二次gafsa-eemd分解得到的imf分量，r2n(t)表示二次gafsa-eemd分解后得到的残差分量。
[0063]
进一步的，所述步骤6将步骤2-5训练好的预测模型应用于测试集中，实现对空气质量的预测，将预测值与实际值进行比较，综合评价模型效果，其评价指标包括均方误差mse、r2决定系数、平均绝对误差mae、平均绝对百分比误差mape，具体计算公式如下：
[0064][0065]
[0066][0067][0068]
有益效果：
[0069]
本发明涉及一种基于二次eemd分解结合gafsa-lstm的空气质量预测方法，充分利用eemd、gafsa、lstm各自的优势，提升预测结果的准确度。针对某一地区的空气质量情况，基于该地区的空气质量检测平台系统，监测到该地区某一时间区间内的pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度、aqi值，利用基于二次eemd分解结合gafsa-lstm的空气质量预测方法，实现对空气质量aqi值的预测。二次eemd分解后带入gafsa-lstm模型所得到的预测精度相较于不分解以及一次eemd分解来说有着一定的提升；分解后的aqi序列降低了lstm网络模型的计算量，适用于中小型批量的数据集；该方法泛用性强，适用于不同地区的空气质量预测。
附图说明
[0070]
图1为基于二次eemd分解结合lstm的空气质量预测方法整体流程图；
[0071]
图2为上海市空气质量原始数据图；
[0072]
图3为上海市空气质量测试集数据图；
[0073]
图4为eemd一次分解图；
[0074]
图5为eemd二次分解图；
[0075]
图6为基于二次eemd分解结合gafsa-lstm的空气质量预测方法结果对比图。
具体实施方式
[0076]
下面结合具体实例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0077]
本发明公开了一种基于二次eemd分解结合gafsa-lstm的空气质量预测方法，参见附图1，具体包括如下步骤：
[0078]
步骤1：对实验所需用到的数据进行采样与预处理，具体操作如下：
[0079]
步骤1.1：如附图1所示，针对某一地区的空气质量情况，基于该地区的空气质量检测平台系统，监测到该地区某一时间区间内的pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度、aqi值，通过外部的空气监测器对空气质量数据d进行采样。
[0080]
步骤1.2：将采样数据d中的aqi列进行两次eemd分解，分解后的序列连同空气质量预测因子放入gafsa-lstm网络模型中进行训练、预测，得到的预测值进行重构，获取最终预测值，即该地区的空气质量预测值。
[0081]
步骤1.3：采样获取的数据集为上海市自2013年12月至2020年12月的空气质量数据，检测间隔时间为1天，总计共2500条数据，部分数据如表1所示；其中，空气质量因子为：pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度，根据《国家出台环境空气质量指数
(aqi)技术规定(试行)规定》取消原有的空气污染指数(api)，另采用空气质量指数(aqi)，其中空气质量指数aqi分为六级，分别为：优、良、轻度污染、中度污染、中度污染、严重污染；
[0082]
步骤1.4：将数据集d拆分为训练集d1和测试集d2，按8∶2的比例进行划分，训练集d1为前2000天数据，测试集d2为后500天数据；其中，pm
2.5
浓度、pm
10
浓度、so2浓度、co浓度、no2浓度、o3浓度为空气质量影响因子，其作为目标函数的输入值，aqi值作为目标函数的标签值。上海市空气质量部分数据如表1所示，上海市空气质量原始数据集d与测试集数据d2，如图2、图3所示。
[0083]
表1：上海市部分空气质量数据
[0084]
[0085]
[0086][0087]
步骤2：eemd一次分解的具体操作如下：
[0088]
步骤2.1：eemd分解的幅值设置为a、高斯白噪声n(t)的分解次数设置为m，且该噪声服从正态分布规律。
[0089]
步骤2.2：将该高斯白噪声n(t)加入到空气质量初始序列x(t)中，进行第m次经验模态分解emd。
[0090]
步骤2.3：寻添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟合求得其上包络线序列u(t)和下包络线序列v(t)，并取其均值，得到均值序列m(t)＝(u(t)+v(t))/2。
[0091]
步骤2.4：添加噪声后的序列减去均值序列，得到中间序列h(t)＝x(t)-m(t)。
[0092]
步骤2.5：判断h(t)是否满足本征模函数imf，若满足，则将其定义为imf1，否则将其视为新的x(t)重复步骤1)-2)，直至完成第m次emd分解。
[0093]
步骤2.6：计算残差分量r1(t)＝x(t)-h(t)；对残差分量r1(t)重复步骤1)-3)，直至满足分解终止条件时停止。
[0094]
步骤2.7：将步骤1中所获取到的数据集d1中的aqi列进行eemd一次分解，得到10列一次eemd分解的imf分量以及1列一次eemd分解的残差分量r1(t)，分解结果如图4所示。
[0095]
步骤3：eemd二次分解的具体操作如下：
[0096]
步骤3.1：将步骤2中eemd分解后的残差分量r2(t)作为二次eemd分解的输入值输
入其中。
[0097]
步骤3.2：二次eemd分解模型的各参数设置同步骤2，分别设置为：幅值设置为a、高斯白噪声n(t)的分解次数设置为m，且该噪声服从正态分布规律。
[0098]
步骤3.3：添加高斯白噪声n(t)将经验模态分解emd模型改变为集合经验模态分解eemd模型的方法同步骤2。
[0099]
步骤3.4：寻添加噪声后的序列中所有的局部极小点和极大点，并使用5次样条插值函数拟合求得其上包络线序列u(t)和下包络线序列v(t)，并取其均值，得到均值序列m(t)＝(u(t)+v(t))/2。
[0100]
步骤3.5：添加噪声后的序列减去均值序列，得到中间序列h(t)＝x(t)-m(t)。
[0101]
步骤3.6：判断h(t)是否满足本征模函数imf，若满足，则将其定义为imf1，否则将其视为新的x(t)重复步骤1)-2)，直至完成第m次emd分解。
[0102]
步骤3.7：计算残差分量r2(t)＝x(t)-h(t)；对残差分量r2(t)重复步骤1)-3)，直至满足分解终止条件时停止。
[0103]
步骤3.8：将m次emd分解得到的imf分量进行集合平均，用来抵消加入的白噪声带来的幅值影响。
[0104]
步骤3.9：将步骤2中获取到的一次分解残差分量再次带入到eemd模型中，进行eemd二次分解，获取到9列二次eemd分解的imf分量以及1列二次eemd分解的残差分量r2(t)，分解结果如图5所示。
[0105]
步骤4：将分解好的空气质量影响因子、aqi序列分解的19列imf分量以及1列残差分量输入gafsa-lstm网络中进行训练，具体操作如下：
[0106]
步骤4.1：lstm网络模型中的隐藏层神经单元数v和学习率c采用gafsa进行迭代寻优，寻优结果为隐藏层神经单元数v设置为1，学习率c设置为0.0012，其余参数设置分别为：输入值的特征维数为10+9；输出层单步预测节点为1，窗口长度为36；三步预测节点数为3，窗口长度为72。
[0107]
其中全局人工鱼gafsa的构建方法如下：
[0108]
1)gafsa参数初始化，设置参数包括：人工鱼的初始位置、人工鱼的视野域visual、人工鱼移动的最大步长step、最大迭代次数iter、个体人工鱼的总数n
gafsa
、尝试次数trynum、拥挤度因子δ、隐藏层神经单元数v和学习率c；
[0109]
2)gafsa设置待优化参数，将每一条人工鱼设置为一组(v，c)的参数组合，并进行初始化；
[0110]
3)gafsa设置目标值，将待优化参数带入lstm网络模型中，结合空气质量数据的训练集与测试集，得到平均绝对百分比误差mape，将该平均绝对百分比误差的最小值作为参数寻优的目标值，其中
[0111]
4)gafsa适应度计算，每条人工鱼分别执行聚行为、追尾行为、觅食行为、随机行为，并对每一条人工鱼的适应度进行计算，将所有的人工鱼进行比较，得到其中最优的一条并记录，其中gafsa各行为描述如下：
[0112]
①
觅食行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其感知范围内随机选取一种状态x
gafsaj
，数学表达式如下：
[0113]
x
gafsaj
＝x
gafsai
+visual
·
rand()；
[0114]
在求极大值问题中，若y
gafsai
＜y
gafsaj
，则向该位置和全局最优位置x
best
的向量和方向上前进一步；若不满足该条件则重新选择xj的状态，数学表达式如下：若y
gafsai
＜y
gafsaj
时，则执行：
[0115][0116]
否则执行：x
i/next
＝x
gafsai
·
step
·
rand()；
[0117]
若超过最大尝试次数，即i
gafsa
＞trynum仍不满足该条件，则随机移动一步；
[0118]
②
聚行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其邻域d
i，j
＜visual内寻伙伴数目nf以及中心位置x
gafsac
，若表明鱼中心食物浓度大且拥挤度低，则朝着该位置和全局最优位置x
best
的向量和方向上前进一步；否则执行觅食行为。数学表达式如下：若时，则执行：
[0119][0120]
否则执行觅食行为；
[0121]
③
追尾行为：设当前人工鱼i
gafsa
的状态为x
gafsai
，在其邻域d
i，j
＜visual内包含一条食物浓度为最大值的人工鱼x
max
，若表明该条鱼x
max
当前具有较大的物浓度且周围拥挤度较低，则朝该条鱼的方向和全局最优位置x
best
的向量和方向上前进一步；
[0122]
否则执行觅食行为，数学表达式如下：若时，则执行：
[0123][0124]
否则执行觅食行为。
[0125]
④
随机行为：在视野域内随机选择一个状态去执行，然后朝着该状态的方向进行移动，其属于觅食行为的一种缺省，数学表达式如下：
[0126]
x
i/next
＝(x
max-x
min
)
·
rand+x
min
；
[0127]
5)gafsa选择执行行为。对每条人工鱼模拟执行聚行为与追尾行为并进行评价，实际执行评价度高的行为，觅食行为与随机行为表示缺省；
[0128]
6)gafsa更新位置信息。每条人工鱼在执行完选择的行为后，基于全局信息与局部信息更新人工鱼的位置信息；
[0129]
7)gafsa更新状态，更新全局最优的人工鱼状态；
[0130]
8)gafsa迭代与终止，若达到设置的迭代次数则跳出循环，终止并输出当前最优人工鱼状态即最优(v，c)的参数组合，并带入lstm得到其预测结果；否则跳转到4)继续执行。
[0131]
步骤4.2：将分解后得到的aqi序列作为lstm模型训练集中的标签值，总计共20列，输入gafsa-lstm模型中。
[0132]
步骤4.3：使用设置好的gafsa-lstm网络模型进行训练。
[0133]
步骤5：对经过两次eemd分解后的aqi序列进行处理，具体如下表示：
[0134]
步骤5.1：输出gafsa-lstm模型所得到的结果值；
[0135]
步骤5.2：将上述结果值进行重构，采用线性累加的方式，即可得到训练集的预测值res(t)，其表达式为：
[0136][0137]
其中，imfi(t)表示一次gafsa-eemd分解所得到的imf分量结果，imf2i(t)表示二次gafsa-eemd分解得到的imf分量，r2n(t)表示二次gafsa-eemd分解后得到的残差分量。
[0138]
步骤6：测试集上验证模型效果，具体如下：
[0139]
步骤6.1：将测试集d2代入模型中进行测试。
[0140]
步骤6.2：将测试集结果进行重构。
[0141]
步骤6.3：综合评价模型性能，评价指标包括均方误差mse、r2决定系数、平均绝对误差mae、平均绝对百分比误差mape，并与循环神经网络rnn、lstm、一次eemd分解结合gafsa-lstm网络模型进行比较，评价指标结果如表2所示，拟合结果如图6所示。
[0142]
评价指标均方误差mse、r2决定系数、平均绝对误差mae、平均绝对百分比误差mape，具体计算公式如下：
[0143][0144][0145][0146][0147]
表2：各模型评价指表值
[0148][0149]
上述步骤中的涉及的公式的字母含义如下表3：
[0150]
表3：变量表
[0151]
[0152]
[0153][0154]
通过图6与表2可以发现，相比于rnn，lstm拥有更好的预测效果，在结果拟合图上的拟合效果也更为优异，因此，相比于rnn，lstm更为适合用于空气质量预测工作。与lstm相比，经过eemd分解后的预测效果更为优异，无论是结果拟合还是平均误差，都比单一lstm算法更为优异，由此可见，eemd-lstm的组合算法用于空气质量预测方面是可取且有效的。更进一步地，与eemd-lstm相比，本发明基于二次eemd分解结合gafsa-lstm模型(double eemd-gafsa-lstm)算法整体提升了前者的整体性能，具体表现在，平均误差值更低、结果曲线拟合程度更高，这意味着本发明所提出的double eemd-gafsa-lstm的预测效果要优于以往研究中所使用的lstm模型，缓解了lstm在模型训练阶段可能出现的过拟合现象。结果图中也可以看出，在某些“孤点”处，本发明double eemd-gafsa-lstm也能够很好地预测到，与之相对的比较模型在这些点处的结果有些不尽如人意。
[0155]
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0156]
另外，本发明可以与计算机系统结合，从而完成对空气质量的预测。本发明公开的一种基于二次eemd分解结合gafsa-lstm的空气质量预测方不但可以用于空气质量预测，也可以用于类型的数据预测。
[0157]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明
精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。