基于数据预处理和支持向量回归的PM_2.5、NO₂和SO₂组合预测研究

• 作者: 崔旭东 方敏 施岱瑜 朱素玲 李元林 袁艳 马晶 魏麟
• 来源期刊: 统计学与应用
• 学科: 地球科学
• 关键词: 空气污染 组合预测 分解与集成 支持向量回归
• 年，卷（期）: tjxyyy_2020,（5）
• 页码范围: 792-800
• 页数: 9页
• 分类号: X51

摘要

由于空气污染能够引起多种呼吸道非传染性疾病,甚至造成生命质量受损或者过早死亡,所以空气污染已经成为全球死亡人数增加的第二大原因,因此,制定合理且有效的空气污染治理措施已经迫在眉睫。预测在空气污染预警过程中扮演着重要的角色,准确且科学的预测能够帮助人们有效规避空气污染的危害,因此,提高预测的精度与科学性也成为众多学者关心的问题之一。本研究为了提高空气污染预测的准确性,采用了数据预处理互补集合经验模式分解(complementary ensemble empirical mode decomposition, CEEMD)技术、支持向量回归(support vector regression, SVR)、广义回归神经网络(general regression neural network, GRNN)和粒子群优化(particle swarm optimization, PSO)算法建立组合模型。通过PM2.5、NO2和SO2时间序列数据检验建立的组合预测模型的有效性,根据平均绝对百分比误差(mean absolute percentage error, MAPE)发现:组合预测模型能够提高PM2.5、NO2和SO2指标的预测精度,如西安市的SO2指标,最优单项模型的MAPE值为6.13%,而组合模型的MAPE值为5.86%。总之,组合预测模型能够为空气污染治理提供更准确的预测信息,为空气污染的防控提供理论支持。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马晶		4	12	1.0	3.0
2	施岱瑜		2	0	0.0	0.0
3	李元林		2	0	0.0	0.0
4	方敏		1	0	0.0	0.0
5	魏麟		1	0	0.0	0.0
6	袁艳		2	0	0.0	0.0
7	崔旭东		1	0	0.0	0.0
8	朱素玲		3	1	1.0	1.0