大连理工大学学报

作者：丁成亮,郑洪波

关键词：PM2.5浓度预测时空信息缺失值填补机器学习

基金：国家自然科学基金资助项目(42071273)；中央高校基本科研业务费专项资金资助项目(DUT22LAB132).

针对现有机器学习模型预测PM2.5浓度存在模型过于复杂、没有考虑时空信息和缺失值填补不准确而导致模型性能下降的问题，利用随机森林取代统计学方法填补缺失值，并纳入时空因素提升模型精度．建立了综合遥感数据、气象及协同污染物数据，适用于沿海城市的PM2.5浓度预测模型(K-means-RF-XGBoost模型)，模型预测耗时仅为BP神经网络的4%．利用2019年大连市实时监测数据对模型PM2.5浓度预测进行训练和测试，结果表明，建立的K-means-RF-XGBoost模型预测PM2.5浓度有很高的准确性，与没有考虑时空信息的同种模型相比均方根误差(erms)降低了约48%，决定系数(R2)提升了约10%；能有效地预测高PM2.5浓度并适用于波动范围大的情况，如春季模型在测试集中R2可达0.935；同时在日级预测上表现优异，R2可达0.819．该研究为沿海城市PM2.5浓度预测提供了新思路．

来源：2024年第4期

《大连理工大学学报》期刊编辑部

查看大连理工大学学报杂志2024年第4期