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。

基于改进粒子群优化BP_Adaboost神经网络的PM_(2.5)浓度预测

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.

基于MAIAC AOD数据构建上海市PM2.5时空分布模型

卫星技术的不断发展成熟使构建高分辨率的PM2.5浓度预测模型成为可能。为解决卫星数据的非随机性缺失会显著降低PM2.5浓度预测模型准确性的问题,运用多重填补法对MAIAC1km分辨率气溶胶光学厚度数据的缺失值实现补缺,其平均决定系数达0.75。在此基础上,运用随机森林模型构建上海市2017-2018年的PM2.5浓度分布预测模型,其决定系数达0.96。结果表明,上海市PM2.5分布整体呈现东低西高,沿海低内陆高的趋势,且2018年上海市PM2.5浓度整体低于2017年。气溶胶光学厚度数据是PM2.5预测模型中最重要的自变量。

PM2.5浓度预测与影响因素分析

针对PM2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树(Ensemble Trees-GBDT)的PM2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM2.5浓度集成预测模型.使用北京市2015—2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的Ensemble Trees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM2.5浓度,并实现对PM2.5浓度影响因素的有效分析.