基于逆方差多模型融合的空气质量指数预测方法

摘要：

空气质量预测对合理制定环境治理政策具有重要意义.针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index,AQI)预测方法.首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型.与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R2分别提高3.9％、3.4％、1.6％和0.5％,达到0.933.结果表明:逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度.

关键词：空气质量指数预测、模型融合、神经网络、长短期记忆网络、逆方差

所属期刊栏目：41

分类号：TP391;TP183;TN911

资助基金：国家重点研发计划;陕西省重点研发计划

在线出版日期：2023-06-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：197-204