基于机器学习的PM2.5短期浓度动态预报模型

• 作者: 张长江 戴李杰 马雷鸣
• 来源期刊: 计算机应用
• 学科: 地球科学
• 关键词: 机器学习 粒子群优化算法 动态模型 滚动预报
• 年，卷（期）: 2017,（11）
• 所属期刊栏目: 第十六届中国机器学习会议(CCML 2017)
• 页码范围: 3057-3063
• 页数: 7页
• 分类号: P456.8
• 字数: 7993字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.11.3057

摘要

针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题,从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报(WRF-Chem)浓度和5个主要气象因子的模式预报数据资料,联合应用支持向量机(SVM)和粒子群优化(PSO)算法建立滚动预报模型,对PM2.5未来24小时浓度进行预报,同时对未来一天的昼、夜均值及日均值浓度进行预报,并与径向基函数神经网络(RBFNN)、多元线性回归法(MLR)、模式预报(WRF-Chem)作对比.实验结果表明,相比其他预报方法,所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度,这与此前的研究结论相符;所提模型能对PM2.5未来24小时浓度进行较好的预报,能对未来一天的昼均值、夜均值及日均值进行有效预报,并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张长江	浙江师范大学数理与信息工程学院	58	423	13.0	17.0
2	戴李杰	浙江师范大学数理与信息工程学院	3	17	3.0	3.0