随着经济的飞速发展,空气污染已成为全社会关注的重点问题。近年来,我国大部分地区都出现过雾霾,且从2013年开始,雾霾连续四年被纳入我国国家安全事件。大气污染防治是消除雾霾的重要途径,空气质量预测可以为大气污染防治和人们出行提供预见性信息。因此,建立科学、有效的空气质量预测模型具有重要的现实意义。在已有研究的基础上,本文提出CEEMD-LASSO-ELM组合模型预测AQI,旨在为建立可靠的AQI预测提供技术支持。组合预测是大气污染预测领域中比较流行的统计方法,该方法一般包括单项模型选择和组合权重确定这两个步骤。单项模型选择是组合预测的第一步,也直接影响着组合预测的结果。文献调研发现,很多组合预测研究并没有开展单项模型选择,而是盲目建立组合预测,从而导致劣性组合。在传统的组合预测理论下,一般是基于非负且权重和为1的限制优化线性组合的权重,也有学者指出权重限制可放宽至一般线性回归。事实上,若以提高组合预测的精度为建模目的,则不应拘泥于线性的组合方式,可以探索非线性组合预测。针对上述问题,本文引入LASSO选择单项模型,并利用ELM建立非线性组合预测模型,将其命名为CEEMD-LASSO-ELM,其中LASSO不仅可以实现单项模型的选择,还可以避免所选单项模型之间可能存在的共线性问题。CEEMD-LASSO-ELM的具体做法为:首先,利用CEEMD对AQI原始序列进行分解,根据频率特征将分解后的IMFs组合为四个模态;其次,用PSOGSASVR、GRNN、CNN、LSTM分别模拟和预测每个模态分量,将各模态的预测结果组合相加得到256个单项模型,将这256个单项模型的预测序列作为自变量,AQI的原始序列作为因变量,利用LASSO选择单项模型;最后,建立AQI的ELM非线性组合预测。本文选择广州、昆明、兰州、呼伦贝尔四个城市的AQI日数据来验证所提出的CEEMD-LASSO-ELM模型的可行性和有效性。结合CEEMD数据分解的七个对比模型分别为:Random-ELM、Rank-ELM、Random-LR、Rank-LR、LASSO-GRNN、LASSO-PSOGSASVR、LASSO-LR。数据分析结果证明,本文提出的CEEMD-LASSO-ELM模型具有更高的预测精度和更强的泛化能力,以兰州为例,CEEMD-LASSO-ELM模型的误差MAPE比七个对比模型平均降低了2.154%。