基于机器学习的空气污染预报建模研究
董千颖
李欢
莫欣岳
海南大学网络空间安全学院(密码学院)海口 570228
摘要：目前我国面临着气象条件相对不利和污染排放明显增加的双重压力,空气质量改善形势较为严峻,准确预测空气污染物浓度是开展应急防控、改善空气质量的前提.针对O3和PM2.5浓度预报任务,收集2013年-2022年武汉市空气污染物数据和气象数据,分析预报目标的时序变化特征和影响因素,基于Spearman秩相关系数法确定预报因子,分别基于XG-Boost、AdaBoost、LightGBM等七种机器学习方法开展建模预报,应用MAE、RMSE和R2三种统计指标对模型预报性能进行评价,并在此基础上提出残差修正法和熵值赋权法两种组合预测方法建立组合预报模型.实验结果显示:O3和PM2.5浓度时序变化呈现出"双峰模态"和"U型模态",受其他污染物和气象要素不同程度的影响;在单一预报模型中,Adaboost预报效果最好,其次是XGBoost;分别使用残差修正法和熵值赋权法建立AdaBoost和XGBoost组合预报模型,两种方法均能有效提升预报准确性.
关键词：空气污染预报机器学习组合预测残差修正法熵值赋权法
分类号：P315.69(大地（岩石界）物理学（固体地球物理学）)
资助基金：海南省自然科学基金项目(623RC455)海南省自然科学基金项目(623RC457)海南省自然科学基金项目(425QN244)教育部供需对接就业育人项目(2023122798868)兰州大学-海南大学技术服务项目(HD-KYH-2024424)海南大学科研启动基金项目(KYQD(ZR)-22096,KYQD(ZR)-22097)
论文发表日期：2025-10-20
在线出版日期：2026-01-16（本平台首次上网日期，不代表文献的发表时间）
页数：5( 86-90 )
英文信息