多机器学习模型下空气质量等级分类预测研究OACSTPCD

采用2015—2017年攀枝花市污染要素(PM_(2.5)、PM_(10)、SO_(2)、NO_(2)、O_(3)及CO)逐小时实测数据,分季节构建了K近邻模型(KNN)、BP神经网络模型(BPNN)、XGBoost模型和长短期记忆模型(LSTM)对逐小时空气质量指数(Air Quality Index,简称AQI)进行预测分析。结果表明:AQI与各类气象要素以及时间序列都具有良好的相关性,作为特征变量在空气质量等级分类预测中效果良好。模型预测评估方面,LSTM模型预测效果最好,综合准确率达88.1%,XGBoost次之。LSTM模型对污染天气预测效果良好,总体呈现冬季>秋季>春季>夏季。气象要素与空气质量等级相关性呈冬高夏低,能见度与空气质量等级相关性最好,而露点温度、水汽压相关性在夏季较差。本研究通过对比不同季节多种机器学习模型对逐小时AQI等级的预测效果,找出最适宜的模型,为环保部门准确预报、预测空气质量指数,提高环境治理效果提供参考。