随着科技经济的发展和生活水平的提升,质量问题逐渐成为国内外关注的焦点,对每个企业甚至国家影响重大。质量管理专家朱兰曾说:生活处于质量的堤坝后面。可见质量问题对于社会经济生活的重大影响,空气质量也不例外。而且,公众对于大气环境的质量有着较高的需求,但随着城镇化建设、工业化进行的不断深入,大气污染问题也伴随而来。如何对空气质量情况进行准确预测,为实现空气质量实时监控的优化和空气质量持续改进提供参考模型及借鉴。随着监测技术的进步及空气质量监控系统的逐步完善,更多的数据可被研究使用;而且计算机技术的快速发展开启了信息化和智能化的潮流,这使得准确预测空气质量的情况成为可能。以上海市历年空气质量数据为研究对象,构建基于数据分解的IMFs-Elman-Hybird神经网络预测模型,对空气质量预测的研究具有实际应用价值。针对Elman神经网络在预测空气质量指数时易受到数据非平稳性的影响使得模型预测准确度较低的问题,提出以互补集合经验模态分解算法为基础的预测模型,进而将对非平稳的空气质量指数序列的预测研究转化为对多个平稳的本征模态函数分量的研究。(1)将传统单一模型分别进行对比,预测结果表明:Elman神经网络的平均绝对误差、均方误差以及平均绝对百分比误差分别为:552.80、18.26、27.96%,均小于BP神经网络和小波神经网络模型;对应空气质量等级预报正确天数的频率为68%。即Elman神经网络更适合用于对空气质量指数的预测研究;(2)通过互补集合经验模态分解将非平稳的空气质量指数序列分解成9个较为平稳的IMF分量和1个剩余项,分别对各IMF分量构建Elman预测模型(简称CEEMD-IMFs-Elman),并与其他4种模型进行对比分析。实验表明,CEEMD-IMFs-Elman模型对应空气质量等级预报正确天数的频率为78%,均优于其他4种模型。说明互补集合经验模态分解算法可处理非平稳的空气质量指数序列,并且该方法可有效降低因非平稳序列带来预测精度较低的问题,使模型精度得到提升;(3)针对高噪声数据对预测结果影响较大,模型精度有待提高的问题,对互补集合经验模态分解后的9个分量根据其特征情况进行分析,将其划分为高频、低频和剩余项三组并分别利用Elman网络进行建模,将各子预测模型的预测值汇总构建预测模型(简称IMFs-Elman-Hybird),并与CEEMD-IMFs-Elman模型对比;由实验结果可知,IMFs-Elman-Hybird预测模型的MSE是9.86、MAE是2.40、MAPE是3.48%,对应空气质量等级预报正确天数的频率由78%提升至97%,说明了该方法的有效性和适用性,能有效实现对上海市空气质量等级的准确预报,并适用于对同样具有波动特性的大气污染物的预测和监控。