The air quality index (AQI) can reflect the change of air quality in real time. It has linear characteristics, nonlinear and fuzzy features. However, a single model cannot fit the dynamic changes of AQI scientifically and reasonably. Therefore, this paper proposes a new dynamic ensemble forecasting system based on multi-objective intelligent optimization algorithm to forecast AQI, which has time-varying parameter weights and mainly contains three module: data preprocessing module, dynamic integration forecasting module and system evaluation module. In the data preprocessing module, the off-line frequency domain filtering approach is applied to identify and correct the outliers in the series. To better extract the series information and remove the random noise, the time series is decomposed into multi-level utilizing decomposition strategy and reconstructed. In the dynamic integration forecasting module, three hybrid models based on ARIMA, optimized extreme learning machine and fuzzy time series model, named as HCA, HCME and HCFL respectively, are used to forecast the reconstructed series and time varying parameters are employed to dynamically combine the forecasting results. In the system evaluation module, the accuracy of the system was tested by parameter test method and non-parametric test method respectively. The results demonstrate that the proposed dynamic integrated model is not only superior to other comparison models in forecasting accuracy, but also provides strong technical support for air quality forecasting and treatment.

空气质量指数（AQI）可以实时反映空气质量的变化。它具有线性特征，非线性和模糊特征。但是，单一模型不能科学合理地适应AQI的动态变化。因此，本文提出了一种基于多目标智能优化算法的动态集合预测系统，它具有随时间变化的参数权重，主要包括三个模块：数据预处理模块，动态集成预测模块和系统评估模块。在数据预处理模块中，采用离线频域滤波方法来识别和校正序列中的异常值。为了更好地提取系列信息并消除随机噪声，利用分解策略将时间序列分解为多级并进行重构。在动态集成预测模块中，使用了基于ARIMA，优化的极限学习机和模糊时间序列模型的三种混合模型，分别称为HCA，HCME和HCFL，以预测重构序列，并使用时变参数来动态组合预测结果。在系统评估模块中，分别通过参数测试法和非参数测试法来测试系统的准确性。结果表明，所提出的动态综合模型不仅在预报精度上优于其他比较模型，而且为空气质量的预报和处理提供了有力的技术支持。分别使用基于ARIMA，优化的极限学习机和模糊时间序列模型的三种混合模型分别命名为HCA，HCME和HCFL，对重构序列进行预测，并使用时变参数对预测结果进行动态组合。在系统评估模块中，分别通过参数测试法和非参数测试法来测试系统的准确性。结果表明，所提出的动态综合模型不仅在预报精度上优于其他比较模型，而且为空气质量的预报和处理提供了有力的技术支持。分别使用基于ARIMA，优化的极限学习机和模糊时间序列模型的三种混合模型分别命名为HCA，HCME和HCFL，对重构序列进行预测，并使用时变参数对预测结果进行动态组合。在系统评估模块中，分别通过参数测试法和非参数测试法测试系统的准确性。结果表明，提出的动态综合模型不仅在预报精度上优于其他比较模型，而且为空气质量的预报和处理提供了有力的技术支持。用来预测重建的序列，并使用时变参数来动态组合预测结果。在系统评估模块中，分别通过参数测试法和非参数测试法来测试系统的准确性。结果表明，提出的动态综合模型不仅在预报精度上优于其他比较模型，而且为空气质量的预报和处理提供了有力的技术支持。用来预测重建的序列，并使用时变参数来动态组合预测结果。在系统评估模块中，分别通过参数测试法和非参数测试法来测试系统的准确性。结果表明，提出的动态综合模型不仅在预报精度上优于其他比较模型，而且为空气质量的预报和处理提供了有力的技术支持。