基于随机森林回归分析的PM2.5浓度预测模型

被引：40

作者：

杜续 ^{[1
]}

冯景瑜 ^{[1
,2
]}

吕少卿 ^{[1
,2
]}

石薇 ^{[1
]}

机构：

[1] 西安邮电大学通信与信息工程学院

[2] 西安邮电大学陕西省信息通信网络及安全重点实验室

来源：

电信科学 | 2017年 / 33卷 / 07期

关键词：

PM2.5浓度预测; 随机森林回归分析; BP神经网络;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; X513 [粒状污染物];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0706 ; 070602 ;

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%。

引用

页码：66 / 75

页数：10

共 14 条

[1] 基于情感神经网络的风电功率预测 [J].