多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个PM2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM2.5浓度数据和Merra-2再分析数据开展PM2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM2.5浓度.在PM2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM2.5浓度提供参考.

改进的快速跟踪回声状态网络及PM2.5预测

针对递归最小二乘回声状态网络在噪声环境中预测精度不高的问题,提出了一种改进的快速跟踪回声状态网络。首先在递归最小二乘回声状态网络结构的基础上,将自适应调节的可变遗忘因子加入其代价函数中,用改进的递归最小二乘法对网络输出权值进行训练,得到快速跟踪回声状态网络;然后利用经典Lorenz混沌系统验证快速跟踪回声状态网络的有效性;最后利用灰关联法分析各相关变量与PM 2.5的关联度,建立PM 2.5浓度值辅助变量集合,将辅助变量集合输入到快速跟踪回声状态网络进行PM 2.5浓度值预测。实验表明,与传统回声状态网络、递归最小二乘回声状态网络预测效果相比,快速跟踪回声状态网络的预测方法精度佳,抗噪声能力强。

改进粒子群优化BP神经网络的PM2.5预测

针对PM2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气PM2.5浓度预测模型。引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力。利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做PM2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度。选取某市某时段的PM2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快。

基于改进萤火虫寻优支持向量机的PM2.5预测

针对现有PM2.5浓度预测误差较大的问题,提出一种基于改进萤火虫寻优支持向量机的预测模型(IFASVM).该模型引入邻域搜索和可变步长策略改进萤火虫算法,利用改进FA对SVM的参数C、ε和γ寻优,用最优参数SVM模型预测太原市PM2.5值.其中邻域搜索策略能为参数优化提供更多更精确的候选解;可变步长可动态调整算法搜索步长,加速收敛,平衡FA的全局和局部搜索能力.将IFA-SVM预测值与萤火虫算法—支持向量机(FA-SVM)、遗传算法—支持向量机(GA-SVM)、粒子群算法—支持向量机(PSO-SVM)相比较.结果表明较其他方法, IFA-SVM模型对太原市未来一天和三天的PM2.5值都取得了更精确的预测性能.

基于微分方程和时间序列的PM2.5预测模型

为了准确描述空气污染物PM2.5的浓度变化规律,运用一阶微分方程和时间序列理论,建立PM2.5浓度预测模型。通过OLS线性回归试解模型参数避免陷入局部最优陷阱,最后求解得到固有削减率r=0.7554,理论最大浓度xm=91.4804μg/m^3。并利用北京市2012~2017年的PM2.5年份浓度数据进行检验和预测。预测结果显示,拟合最大误差率为1.194%,模型准确可靠,北京市2021年PM2.5浓度将会达到7.19μg/m^3,达到世界卫生组织(WHO)公布的PM2.5小于10的安全值标准。

基于T-S模糊神经网络的PM2.5预测研究

针对大气中PM2.5浓度难以预测的问题，提出了基于T-S模糊神经网络的PM2.5预测方法。首先，利用实测数据，基于偏最小二乘选取与PM2．5相关的辅助变量。其次，利用T-S模糊神经网络建立相关变量与PM2.5浓度之间的软测量模型，并利用历史数据对模型进行训练。最后，将基于T-S模糊神经网络的软测量模型应用于实际环境，实验结果显示该方法能够对PM2．5进行实时预测。通过与其他方法比较表明，基于T-S模糊神经网络的PM2.5预测方法训练效果更好，预测精度更高。

融合深度神经网络特征的ARIMAX雾霾PM2.5预测

目前,雾霾污染问题是关乎国计民生的重大问题,它已经对人们的生产、生活、身体健康,以及生态环境和气候变化都产生了很大的影响。这样,如何通过监测雾霾变化获取的雾霾相关信息去准确预测雾霾污染物的浓度,以防治和减轻雾霾造成的严重后果变得尤为重要。因此,通过在简单有效的传统ARIMAX模型基础上融入深度神经网络语义特征,提出了一种新的雾霾PM2.5浓度预测框架。首先,把对雾霾预测有显著影响的气象因子温度、压力、相对湿度数据转换为图像数据;然后,运用ResNet-50(Residual Network-50)卷积神经网络模型提取深度语义特征,进而运用主成分分析(Principal Component Analysis,PCA)技术处理高维特征,得到最佳深度神经网络特征组合;最后,用ARIMAX技术建立雾霾PM2.5浓度预测模型。在收集的山西省2015~2019年PM2.5浓度和气象因子数据集上验证了该预测框架在皮尔逊相关系数(Pearson’s Correlation Coefficient,PCC)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)度量下,对于1、3、5和7天长短期预测,都始终优于传统的简单差分自回归滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、三因素ARIMAX模型、多元回归模型、ResNet-多元回归模型、长短期记忆网络(Long and Short-Term Memory,LSTM)模型和支持向量机(Support Vector Machine,SVM)模型。

机器学习课程实践教学案例设计与分析——以PM2.5预测为例

针对机器学习课程知识内容抽象、应用领域复杂等特点,设计机器学习实践教学案例,可以提升课程教学质量,培养学生逻辑思维。文章重点研究了应用于PM2.5预测的长短时记忆网络实践教学案例,详细阐述了数据集准备、模型设计、模型实现等内容,并基于Python进行了案例仿真与结果分析,为机器学习课程实践教学提供了案例参考。

基于CRQA分析与优化DBN-ELM的PM2.5预测

针对现存PM2.5预测方案精度不高,且容易受时空尺度多种因素的影响,构建了一种多站点协同的PM2.5预测方法。在预测部分,采用TLBO优化DBN-ELM各隐层神经元学习率,进一步提升了它的预测性能。实验结果表明,TS-TDBN-ELM具有最优的预测性能。

基于灰色BP-NN优化组合的PM2.5预测

针对传统的BP神经网络模型无法有效表达时间序列数据中存在的历史特征的缺陷,提出利用灰色预测原理具备发现事物历史变化规律性的优势来解决BP神经网络预测模型的这一弱点,最后得到的灰色BP-NN优化组合模型具备了更高的预测精度。实验采用中国气象站2018年1月至2月北京市10个监测点的PM2.5质量浓度及其对应的每小时的空气污染物浓度、气象因子建立神经网络预测模型,并采用灰色预测算法对神经网络模型进行改进,改进后的结果为:在系统误差上有了较大的降低,同时预测结果与实测结果之间的拟合程度更好。

支持向量机在PM2.5预测研究中的应用

支持向量机(SVM)是一种监督学习的方法,以统计学习理论为基础,主要用于进行分类和回归分析,是处理非线性回归的一种有效方法。近年来,西安雾霾事件频发,由于雾霾预测含有大量的非线性因素。对此,本文综合考虑湿度、温度、风级、实际二氧化硫浓度、二氧化氮浓度、一氧化碳浓度、臭氧浓度和PM10浓度等因素,将粒子群算法(PSO)与支持向量机结合,通过构造PSO-SVM模型,对西安PM2.5浓度进行预测。

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM_(10)、NO_(2)、CO_(2)、O_(3))作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R^(2)来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。

基于灰色系统的PM2.5预测研究——以宿迁市为例

PM2.5是直径小于等于2.5微米的颗粒,与较粗的大气颗粒物相比,其粒径小、面积大、活性强、易附带有毒或有害物质,且在大气中停留时间长,运输距离远,会影响人体的呼吸系统,诱发各类过敏性疾病和癌症,影响大气的透明度和地表的温度。为了解宿迁市PM2.5的现状,预测其未来的变化趋势,笔者收集了宿迁市2013—2022年间的观测数据,利用GM(1,1)灰色预测模型对宿迁市未来六年PM2.5的水平进行了预测。

基于误差反向传播神经网络的PM2.5预测

针对使用传统预测方式,对空气中PM2.5的质量浓度进行预测,难以获得准确的结果这样的问题,提出了一种基于误差反向传播神经网络的PM2.5预测方法。将宝鸡市空气质量监测站的历史监测数据作为分析对象,进行PM2.5小时浓度预测建模。BP神经网络能够使用梯度下降法不断对网络连接权值和阈值进行修正,针对PM2.5质量浓度预测这种非线性的问题具备较为精准的分析处理能力。仿真结果证明,使用BP神经网络对PM2.5质量浓度进行预测,其结果具备一定的有效性和精准度。

基于图像混合核的列生成PM2.5预测

传统PM(2.5)预测方法获取污染物浓度数据需要大型精密仪器,成本较高.本文尝试利用图像数据进行PM(2.5)浓度预测.大气PM_(2.5)浓度的变化与图像的暗通道强度、对比度和HSI(Hue-saturation-intensity)颜色差异有密切联系.大气中PM(2.5)浓度的升高会导致非天空区域的暗通道强度值下降,图像对比度下降和HSI空间颜色差异变小.通过分析PM(2.5)浓度与图像特征的关系,提出了一种基于图像混合核的列生成空气质量PM(2.5)预测模型.首先,以1 h为采样周期,每日8:00~17:00为采样范围,采集多种天气条件下的景物图像,提取图像的对比度、暗通道强度和HSI颜色差异共5个图像特征.其次,数据存在样本规模大、样本不平坦分布等特点,单个核函数构成的预测模型难以满足预测精度需求,因此本文按照核结构从简单到复杂的原则,选择线性核函数、多项式核函数和高斯核函数三种核函数建立组合模型.然后计算每个核基于训练样本的Gram矩阵,并将所有Gram矩阵并列成一个混合核矩阵.利用列生成算法和混合核矩阵建立预测模型,求解模型参数.最后,进行仿真实验,实验结果表明本文提出的可满足预测精度要求,与单核预测模型相比,该预测模型预测精度更高,模型稳定性更好.计算复杂度分析结果显示基于图像混合核的列生成模型与单核预测模型相比计算量无明显增加.

基于多元回归的延安市PM2.5浓度预测

工业化进程的加快带来的不只是经济的飞速发展,还有以PM2.5为主的污染物浓度的增加,给人类的健康以及环境的治理带来不利影响,合理有效的PM2.5浓度预测对于人类健康和环境治理有着重要意义。文中设计了基于多元回归模型的PM2.5浓度预测模型,分别预测了延安市春季、夏季、秋季和冬季的PM2.5浓度,与极限树回归、Catboost回归和K邻近回归等回归模型的预测结果进行对比。结果表明多元回归模型的误差较小,拟合精度较高,为延安市大气污染的治理提供了可靠的科学依据。

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。

基于VE-GEP算法的PM_(2.5)浓度预测

准确预测PM_(2.5)浓度对于公众健康和环境保护具有重要意义,但其非线性、多变性以及复杂性的特点导致难以准确预测.基于此,本文针对传统GEP存在的不足,提出了一种基于病毒进化的基因表达式编程算法(VE-GEP)来预测PM_(2.5)浓度.该算法在GEP的基础上引入了复活机制与诱变重启机制.复活机制能去除种群中的劣质个体,改善种群中个体的质量;诱变重启机制通过引入优质基因和新的个体,提高种群的多样性,增强算法的寻优能力.实验结果表明, VE-GEP算法相较于GEP、DSCE-GEP和CNN-LSTM在春季、夏季和秋季中的预测模型均有不同程度的提高,拟合度分别提高1.28%/0.1%/0.13%、1.86%/1.29%/0.42%、0.57%/0.24%/0.29%,为PM_(2.5)浓度预测研究提供了新的思路和方法.

基于时空认知膨胀卷积网络与多源影响因素的PM_(2.5)细粒度预测模型

为实现精确化、细粒度的PM_(2.5)浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network,ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error,RMSE)平均下降24.7%,平均绝对误差(mean absolute error,MAE)平均下降9.93%,拟合优度(R-squared,R^(2))平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R^(2))实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。

融合时空特征的城市多站点PM2.5浓度预测

本文提出一种融合时空特征的城市多站点PM2.5预测方法,该方法可以捕捉PM2.5在时间和空间上的相关性,通过将区域多个站点的PM2.5数据转换为一系列静态图像,将其输入到卷积长短期记忆(ConvLSTM)模型中,采用端对端的方式进行训练,预测城市未来多个站点多个时段的PM2.5浓度。以北京多个站点的PM2.5数据进行实验验证。结果表明:考虑了时空特征的ConvLSTM方法在短期预测方面优于其他4种时序方法,该方法可为PM2.5预测提供新的思路。