基于随机森林与改进极限学习机的PM2.5浓度模型

• 作者: 曹春萍 王鑫圆
• 来源期刊: 软件
• 学科: 工学
• 关键词: 极限学习机 随机森林 改进的粒子群优化算法 PM2.5 特征选择
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 基金项目论文
• 页码范围: 12-18,62
• 页数: 8页
• 分类号: TP39
• 字数: 7526字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6970.2020.06.003

摘要

由于PM2.5浓度预测中的影响因素过于复杂,影响因素的高维性与非线性对预测结果有着很大的干扰,容易产生PM2.5浓度预测误差高和模型泛化能力差等问题.针对上述缺陷,可通过一种基于随机森林-粒子群优化-极限学习机(RF-PSO-ELM)的PM2.5浓度预测模型解决.该模型首先使用随机森林算法对影响因素进行特征选择,选择出对于PM2.5浓度重要性高的因素构成特征;再利用提取得到的特征作为PSO-ELM算法的输入;最后对上海市的PM2.5浓度做出预测,从最终的实验数据中可以看出:该模型比支持向量机(SVM)、未优化的极限学习机(ELM)和反向神经网络(BPNN)等预测模型在预测精度和泛化能力方面有着显著的提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曹春萍	上海理工大学光电信息与计算机工程学院	52	244	8.0	13.0
2	王鑫圆	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0