基于改进机器学习的PM2.5浓度预测模型研究OA北大核心CSTPCD
Study of PM2.5 concentration prediction model based on improved machine learning
针对现有机器学习模型预测PM2.5浓度存在模型过于复杂、没有考虑时空信息和缺失值填补不准确而导致模型性能下降的问题,利用随机森林取代统计学方法填补缺失值,并纳入时空因素提升模型精度.建立了综合遥感数据、气象及协同污染物数据,适用于沿海城市的PM2.5浓度预测模型(K-means-RF-XGBoost模型),模型预测耗时仅为BP神经网络的4％.利用2019年大连市实时监测数据对模型PM2.5浓度预测进行训练和测试,结果表明,建立的K-means-R…查看全部>>
In response to the problem of performance decrease of existing machine learning model for predicting PM2.5 concentration because that the model is too complex,and does not consider spatio-temporal information and effective missing values imputation is not accurate,random forest is used instead of statistical methods to fill in missing values,and spatio-temporal factors are incorporated to improve model accuracy.Combining remote sensing data,meteorological an…查看全部>>
丁成亮;郑洪波
大连理工大学环境学院,辽宁大连 116024大连理工大学环境学院,辽宁大连 116024
环境科学
PM2.5浓度预测时空信息缺失值填补机器学习
PM2.5 concentration predictionspatio-temporal informationmissing values imputationmachine learning
《大连理工大学学报》 2024 (4)
353-360,8
国家自然科学基金资助项目(42071273)中央高校基本科研业务费专项资金资助项目(DUT22LAB132).
评论