摘要：工业化进程的加快带来的不只是经济的飞速发展,还有以pm2.5为主的污染物浓度的增加,给人类的健康以及环境的治理带来不利影响,合理有效的pm2.5浓度预测对于人类健康和环境治理有着重要意义。文中设计了基于多元回归模型的pm2.5浓度预测模型,分别预测了延安市春季、夏季、秋季和冬季的pm2.5浓度,与极限树回归、Catboost回归和K邻近回归等回归模型的预测结果进行对比。结果表明多元回归模型的误差较小,拟合精度较高,为延安市大气污染的治理提供了可靠的科学依据。

摘要：针对机器学习课程知识内容抽象、应用领域复杂等特点,设计机器学习实践教学案例,可以提升课程教学质量,培养学生逻辑思维。文章重点研究了应用于pm2.5预测的长短时记忆网络实践教学案例,详细阐述了数据集准备、模型设计、模型实现等内容,并基于Python进行了案例仿真与结果分析,为机器学习课程实践教学提供了案例参考。

摘要：为了能及时、准确的估算出pm2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个pm2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、pm2.5浓度数据和Merra-2再分析数据开展pm2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测pm2.5浓度.在pm2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的pm2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报pm2.5浓度提供参考.

摘要：针对pm2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气pm2.5浓度预测模型。引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力。利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做pm2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度。选取某市某时段的pm2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快。

摘要：目前多数pm2.5浓度预测模型仅利用单个站点的时间序列数据进行浓度预测,并没有考虑到空气质量监测站之间的区域关联性,这会导致预测存在一定的片面性.本文利用KNN算法选择目标站点所在区域中与其相关的空间因素,并结合LSTM模型,提出基于时空特征的KNN-LSTM的pm2.5浓度预测模型.以哈尔滨市10个空气质量监测站的污染物数据进行仿真实验,并将KNN-LSTM模型与其他预测模型进行对比,结果显示:模型相较于BP神经网络模型平均绝对误差(MAE)、均方根误差(RMSE)分别降低了19.25%、13.23%;相较于LSTM模型MAE、RMSE分别降低了4.29%、6.99%.表明本文所提KNN-LSTM模型能有效提高LSTM模型的预测精度.

摘要：DGM(1,1)模型的齐次指数变化规律是造成其难以有效模拟随机波动序列的主要原因,而以模拟值作为累减参数的还原方式则是导致其模拟性能不稳定的重要因素。文章对DGM(1,1)模型的设计缺陷进行了分析,在此基础上提出了基于改进累减还原方法的DGM(1,1)IIR模型,最后应用该模型对北京市pm2.5进行了模拟和预测,并与传统DGM(1,1)模型进行了比较和分析,结果显示DGM(1,1)IIR模型具有更加良好的模拟及预测性能。