基于随机森林回归分析的PM2.5浓度预测模型

摘要：

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.

关键词：PM2.5浓度预测、随机森林回归分析、BP神经网络

所属期刊栏目：33

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61301091;陕西省工业公关计划基金资助项目2016GY-113;陕西省教育厅专项科研计划基金资助项目15JK1671;西安邮电大学“西邮新星”团队支持计划基金资助项目No.2015-01The National Natural Science Foundation of China61301091;The Industrial Science and Technology Project of Shaanxi Province2016GY-113;The Natural Science Foundation of Education Department of Shaanxi Province15JK1671;The New Star Team of Xi'an University of Posts & Telecommunications2015-01

在线出版日期：2017-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：66-75