技術(shù)特征：

1.一種空氣質(zhì)量指數(shù)預(yù)測方法，其特征在于，包括：

獲得待預(yù)測地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個固有模態(tài)函數(shù)IMF分量和一個趨勢分量；其中，m為大于1的自然數(shù)；

獲得所述m個IMF分量中的高頻IMF分量；

基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個變分模態(tài)VM分量；其中，n為大于1的自然數(shù)；

基于極限學(xué)習(xí)機(jī)模型，獲得所述n個VM分量的預(yù)測值、所述高頻IMF分量以外的其它IMF分量的預(yù)測值以及所述趨勢分量的預(yù)測值；

獲得所述高頻IMF分量對應(yīng)的所述VM分量的預(yù)測值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測值；

獲得所述高頻IMF的預(yù)測值、所述其它IMF分量的預(yù)測值以及所述趨勢分量的預(yù)測值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測地理位置的AQI預(yù)測值。

2.如權(quán)利要求1所述的方法，其特征在于，根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個固有模態(tài)函數(shù)IMF分量和一個趨勢分量，包括：

向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個新的集合IMF信號；其中，向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對且呈正態(tài)分布的形式加入；

基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對所述兩個新的集合IMF信號中的每一個信號進(jìn)行分解，獲得每個新的集合IMF的IMF分量；

判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；

當(dāng)循環(huán)次數(shù)未達(dá)到預(yù)設(shè)次數(shù)時，再次執(zhí)行：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個新的集合IMF信號，以及基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對所述兩個新的集合IMF信號中的每一個信號進(jìn)行分解，獲得每個新的集合IMF的IMF分量；

當(dāng)所述循環(huán)次數(shù)達(dá)到所述預(yù)設(shè)次數(shù)N時，獲得2N組IMF分量，確定所述2N組IMF分量的平均值為所述歷史AQI數(shù)據(jù)的所述m個IMF分量和所述趨勢分量；其中，每組IMF分量均包括m個IMF分量和一個趨勢分量。

3.如權(quán)利要求2所述的方法，其特征在于，獲得所述m個IMF分量中的高頻IMF分量，包括：

按照頻率從高到低對所述m個IMF分量進(jìn)行排序；

確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

4.如權(quán)利要求3所述的方法，其特征在于，基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個變分模態(tài)VM分量，包括：

初始化和n；其中，為第1次迭代中的第k個模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為{λ¹}的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個模態(tài)函數(shù)，ω_k為中心頻率，n為迭代次數(shù)；

根據(jù)下列公式更新u_k：

${\hat{u}}_k^{n+1}\left(\mathrm{\ω}\right)=\frac{\hat{g}\left(\mathrm{\ω}\right)-\underset{i\≠k}{\Σ}{\hat{u}}_i\left(\mathrm{\ω}\right)+\frac{\widehat{\mathrm{\λ}}\left(\mathrm{\ω}\right)}{2}}{1+2\mathrm{\α}{(\mathrm{\ω}-{\mathrm{\ω}}_k)}^2};$

根據(jù)下列公式更新ω_k：

${\mathrm{\ω}}_k^{n+1}=\frac{{\∫}_0^{\mathrm{\∞}}\mathrm{\ω}|{\hat{u}}_k^{n+1}\left(\mathrm{\ω}\right){|}^{2}d\mathrm{\ω}}{{\∫}_0^{\mathrm{\∞}}|{\hat{u}}_k^{n+1}\left(\mathrm{\ω}\right){|}^{2}d\mathrm{\ω}};$

其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，g(t)為所述高頻IMF分量，u_i(t)為第i個模態(tài)函數(shù)，λ(t)為拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，α為二次懲罰因子；

根據(jù)下列公式更新λ：

${\widehat{\mathrm{\λ}}}^{n+1}\left(\mathrm{\ω}\right)\←{\widehat{\mathrm{\λ}}}^n\left(\mathrm{\ω}\right)+\mathrm{\τ}\[\hat{g}\left(\mathrm{\ω}\right)-\underset{1}{\overset{k}{\Σ}}{\hat{u}}_k^{n+1}\left(\mathrm{\ω}\right)\];$

其中，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；

判斷是否成立，其中，e＞0；為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換；

當(dāng)成立時，將u_k作為所述n個VM分量；

當(dāng)不成立時，再次更新u_k和ω_k。

5.如權(quán)利要求4所述的方法，其特征在于，基于極限學(xué)習(xí)機(jī)模型，獲得所述n個VM分量的預(yù)測值、所述高頻IMF分量以外的其它IMF分量的預(yù)測值以及所述趨勢分量的預(yù)測值，包括：

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述n個VM分量中每個VM分量的每前8個數(shù)據(jù)預(yù)測第9個數(shù)據(jù)，獲得每個VM分量的預(yù)測值，進(jìn)而獲得所述n個VM分量的預(yù)測值；

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述其它IMF分量中每個IMF分量的每前8個數(shù)據(jù)預(yù)測第9個數(shù)據(jù)，獲得每個IMF分量的預(yù)測值，進(jìn)而獲得所述其它IMF分量的預(yù)測值；

基于極限學(xué)習(xí)機(jī)模型，根據(jù)所述趨勢分量的每前8個數(shù)據(jù)預(yù)測第9個數(shù)據(jù)，獲得所述趨勢分量的預(yù)測值。

6.如權(quán)利要求5所述的方法，其特征在于，所述歷史AQI數(shù)據(jù)的長度大于500。

7.一種空氣質(zhì)量指數(shù)預(yù)測裝置，其特征在于，包括：

第一獲得模塊，用于獲得待預(yù)測地理位置的歷史空氣質(zhì)量指數(shù)AQI數(shù)據(jù)；

CEEMD分解模塊，用于根據(jù)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMD方法，將所述歷史AQI數(shù)據(jù)分解為m個固有模態(tài)函數(shù)IMF分量和一個趨勢分量；其中，m為大于1的自然數(shù)；

第二獲得模塊，用于獲得所述m個IMF分量中的高頻IMF分量；

VMD分解模塊，用于基于變分模態(tài)分解VMD方法，獲得所述高頻IMF分量的n個變分模態(tài)VM分量；其中，n為大于1的自然數(shù)；

極限學(xué)習(xí)機(jī)模塊，用于基于極限學(xué)習(xí)機(jī)模型，獲得所述n個VM分量的預(yù)測值、所述高頻IMF分量以外的其它IMF分量的預(yù)測值以及所述趨勢分量的預(yù)測值；

第一線性疊加模塊，用于獲得所述高頻IMF分量對應(yīng)的所述VM分量的預(yù)測值的第一線性疊加值，并將所述第一線性疊加值確定為所述高頻IMF的預(yù)測值；

第二線性疊加模塊，用于獲得所述高頻IMF的預(yù)測值、所述其它IMF分量的預(yù)測值以及所述趨勢分量的預(yù)測值的第二線性疊加值，并將所述第二線性疊加值確定為所述待預(yù)測地理位置的AQI預(yù)測值。

8.如權(quán)利要求7所述的裝置，其特征在于，所述CEEMD模塊用于向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個新的集合IMF信號；其中，向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲是以期望為0，標(biāo)準(zhǔn)差為0.2，正負(fù)成對且呈正態(tài)分布的形式加入；基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對所述兩個新的集合IMF信號中的每一個信號進(jìn)行分解，獲得每個新的集合IMF的IMF分量；判斷循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)N；當(dāng)循環(huán)次數(shù)未達(dá)到預(yù)設(shè)次數(shù)時，再次執(zhí)行：向所述歷史AQI數(shù)據(jù)序列中加入輔助白噪聲，獲得兩個新的集合IMF信號，以及基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD對所述兩個新的集合IMF信號中的每一個信號進(jìn)行分解，獲得每個新的集合IMF的IMF分量；當(dāng)所述循環(huán)次數(shù)達(dá)到所述預(yù)設(shè)次數(shù)N時，獲得2N組IMF分量，確定所述2N組IMF分量的平均值為所述歷史AQI數(shù)據(jù)的所述m個IMF分量和所述趨勢分量；其中，每組IMF分量均包括m個IMF分量和一個趨勢分量。

9.如權(quán)利要求8所述的裝置，其特征在于，所述第二獲得模塊用于按照頻率從高到低對所述m個IMF分量進(jìn)行排序；確定滿足預(yù)設(shè)條件的IMF分量為所述高頻IMF分量。

10.如權(quán)利要求9所述的裝置，其特征在于，所述VMD分解模塊用于初始化和n；其中，為第1次迭代中的第k個模態(tài)函數(shù)，為的傅里葉轉(zhuǎn)換，λ表示朗格拉日乘法算子，{λ¹}為第1次迭代中的拉格朗日乘法算子，為{λ¹}的傅里葉轉(zhuǎn)換，為初始化中心頻率，u_k為k個模態(tài)函數(shù)，ω_k為中心頻率，n為迭代次數(shù)；根據(jù)下列公式更新u_k：根據(jù)下列公式更新ω_k：其中，為當(dāng)前剩余量的維納濾波，為當(dāng)前模態(tài)函數(shù)功率譜的重心，分別為g(t)、u_i(t)、λ(t)和的傅里葉轉(zhuǎn)換，g(t)為所述高頻IMF分量，u_i(t)為第i個模態(tài)函數(shù)，λ(t)為拉格朗日乘法算子，為u_k經(jīng)過n+1次迭代后的值，1≤i≤k，α為二次懲罰因子；根據(jù)下列公式更新λ：其中，為λ(ω)經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換，為λ(ω)經(jīng)過n+1次迭代后的傅里葉轉(zhuǎn)換，τ為更新系數(shù)；判斷是否成立，其中，e＞0；為u_k經(jīng)過n次迭代后的傅里葉轉(zhuǎn)換；當(dāng)成立時，將u_k作為所述n個VM分量；當(dāng)不成立時，再次更新u_k和ω_k。