基于提升树的PM2.5浓度预测模型

• 作者: 张志强 潘海为 王智 谢晓芹
• 来源期刊: 软件
• 学科: 工学
• 关键词: 机器学习 空气污染 PM2.5浓度预测 提升树 XGBoost
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 设计研究与应用
• 页码范围: 156-163
• 页数: 8页
• 分类号: TP391.4
• 字数: 7205字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6970.2018.10.030

摘要

针对当前空气质量预报对PM2.5浓度预测不准确的问题,本文使用提升树模型预测PM2.5浓度,利用特征重要性提升了算法效率,并分析了不同特征对预测PM2.5浓度准确率的影响.首先从北京地区数个气象观测站2016年1月到12月的气象数据中抽取温度、风速等六种气象因子,再利用同时期北京十二个国控点的六种空气污染物浓度数据构成了特征向量.接下来利用提升树(Boosting Tree)对未来24小时内的PM2.5浓度进行预测,与线性回归(LR)进行了对比,最后通过提取特征重要性信息对预测模型进行了改进,并分析了对PM2.5浓度影响较大的特征.对模型预测结果采用K-折交叉验证,实验结果表明,相比线性回归模型,本文所提出的基于提升树的PM2.5浓度预测模型对未来24小时内的浓度预测准确率高10％至30％,改进后的算法效率提升了20％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张志强	哈尔滨工程大学计算机科学与技术学院	44	504	13.0	21.0
5	潘海为	哈尔滨工程大学计算机科学与技术学院	33	212	8.0	13.0
6	谢晓芹	哈尔滨工程大学计算机科学与技术学院	28	293	8.0	16.0
10	王智	哈尔滨工程大学计算机科学与技术学院	3	8	1.0	2.0