隨機森林模型在太原市細顆粒物濃度預測中的應用

發(fā)布時間：2019-09-26 23:57

【摘要】：作為大氣中污染最重的污染物—首要污染物,它的濃度是一項重要的空氣質量指標。因此面對日益嚴峻的空氣質量狀況,及時開展首要污染物濃度的預報、預警工作顯得尤為重要。太原市作為我國典型的能源化工基地,大氣污染長久以來一直比較嚴重,空氣質量問題備受政府和市民的關注,對太原市的大氣污染問題進行深入研究迫在眉睫。首先,本文以太原市2013年12月1日至2016年12月31日的逐日空氣質量監(jiān)測數據和對應的地面氣象數據資料為基礎,對其近三年的空氣質量狀況、首要污染物的分布特征進行描述性統(tǒng)計分析,發(fā)現太原市大氣污染中的首要污染物主要為顆粒物:PM_(10)和PM_(2.5),其中PM_(10)是春夏季節(jié)主要的首要污染物,PM_(2.5)是秋冬季節(jié)主要的首要污染物。另外,太原市在2014-2016年間達到“中度污染”及以上的天氣共138天,其中:春夏季節(jié)占17天,秋冬季節(jié)占121天。鑒于太原市秋冬季節(jié)的空氣質量較差,本文僅對秋冬季節(jié)的PM_(2.5)濃度進行預測。其次,系統(tǒng)性地闡述了本文所用的隨機森林模型的相關理論知識。然后,本文在借鑒其他學者研究方法的基礎上,從空氣污染物與氣象因素的角度出發(fā),收集了可能影響PM_(2.5)濃度的關鍵因素,并利用Pearson相關系數和Spearman秩相關系數分析了PM_(2.5)濃度與這些因素之間的相關性。最后,通過10折交叉驗證法,建立基于隨機森林算法的PM_(2.5)濃度預測模型,并與傳統(tǒng)的線性回歸模型、Boosting回歸模型及支持向量回歸模型進行對比研究。結果表明,預測性能指標NMSE、MAE及RMSE的值在測試集上的大小按模型排序均為:線性回歸模型Boosting回歸模型支持向量回歸模型隨機森林回歸模型。同時,預測性能指標R的值在測試集上的大小按模型排序為:隨機森林回歸模型支持向量回歸模型Boosting回歸模型線性回歸模型。綜上所述,與其他三種模型相比,隨機森林回歸模型具有較高的預測精度、較強的泛化能力、不需做特征選擇等優(yōu)點,是一種值得應用和推廣到預測城市顆粒物濃度中的方法。
【圖文】：