|
|||||
|
|
| TPE-XGBOOST与LassoLars组合下PM2.5浓度分解集成预测模型研究 | |
| 作者姓名： | 翁克瑞 刘淼 刘钱 |
| 作者单位： | 中国地质大学(武汉) 经济管理学院, 武汉 430074 |
| 基金项目： | 国家自然科学基金（71874163） |
| 摘 要： | 在我国当前大气重污染的环境下,PM2.5浓度的预警预报工作显得尤为重要.由于PM2.5浓度时间序列具有高度复杂性与随机性等特点,且传统的PM2.5浓度分解集成预测方法没有考虑空气质量因素与气象因素的信息,仅靠PM2.5浓度的历史值难以准确对其精准预测.本文在对历史数据的分解下,对高频数据引入TPE-XGBOOST模型,对低频数据引入LassoLars模型,结合空气质量因素与气象因素反映分解特征的变化趋势,对PM2.5浓度时间序列展开预测研究.通过实验,该组合模型显示出了良好的预测效果,且相对于单一分解集成预测模型有较大的预测精度提升. |
| 关 键 词： | PM2 5浓度值预测 集成经验模态分解 贝叶斯优化算法 极限梯度提升树 套索回归 多元因素 |
| 收稿时间： | 2018-10-17 |
| 本文献已被 CNKI 维普 等数据库收录！ | |
| 点击此处可从《系统工程理论与实践》浏览原始摘要信息 | |
| 点击此处可从《系统工程理论与实践》下载全文 | |