改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

摘要：

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.

关键词：XGBoost、Prophet、时序序列预测、融合预测模型

所属期刊栏目：58

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金;上海市科委科技创新行动计划;上海市科委科技创新行动计划

在线出版日期：2022-09-08（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：440-447