麻豆精品视频,日韩成人av电影在线,久久综合九九

基于自适应Boosting组合模型的空气质量预测

网络安全与数据治理 6期

徐海峰，黄小莉，张政

(西华大学电气与电子信息学院，四川成都610000)

摘要： 针对当前空气质量预测模型存在较大误差以及单一模型在不同方面具有一定局限性，导致预测误差较大的问题，提出一种自适应Boosting组合模型。利用误差平方和倒数法、简单加权平均法等五种方法自适应地赋予三个基础Boosting模型权重，最终的结果按照相应的权重叠加，达到充分发挥每个单一模型的优势，提高预测精度的目的。实验结果表明，误差平方和倒数法组合模型的表现最优，采用误差平方和倒数法计算权重的组合模型的MAE为7.124 4，RMSE为9.367 1，R2为0.863 9，优于其他地权重组合方法以及单一的Boosting模型。该组合模型的应用，为优化空气质量预测系统提供了一个行之有效的方法。

關鍵詞： 空气质量自适应 Boosting模型组合模型误差平方和倒数法

中圖分類號： TP391.9
文獻標識碼： A
DOI： 10.19358/j.issn.2097-1788.2022.06.012
引用格式：徐海峰，黃小莉，張政. 基于自適應Boosting組合模型的空氣質量預測[J].網絡安全與數據治理，2022，41(6)：84-89.

Air quality prediction based on adaptive boosting combinatorial model

Xu Haifeng，Huang Xiaoli，Zhang Zheng

(School of Electrical and Electronic Information，Xi Hua University，Chengdu 610000，China)

Abstract： Aiming at the large error of the current air quality prediction model and the fact that a single model has certain limitations in different aspects, resulting in large prediction error, an adaptive boosting combination model is proposed. Five methods, including the squared error sum reciprocal method and the simple weighted average method, are used to adaptively assign weights to the three basic boosting models. The final result is superimposed according to the corresponding weights, to give full play to the advantages of each single model and improve the prediction accuracy. The experimental results show that, the combination of squared error and reciprocal method performs optimally, and the weighted combinatorial model using the error squared and reciprocal method was calculated with MAE 7.124 4, RMSE 9.367 1, and R2 as 0.863 9，better than other weighting combination methods and a single boosting model. The application of this combined model provides an effective method for optimizing air quality prediction systems.

Key words : air quality；adaptive；boosting model composition model；error squared and reciprocal method

0 引言

空氣污染是當今世界面臨的十分嚴峻的問題，不僅對人體健康存在嚴重威脅，還對戶外活動產生限制。空氣質量指數(Air Quality Index，AQI)，是衡量空氣質量的關鍵指標。通常而言，AQI的數值越大，表明空氣的污染越嚴重，對人體的危害愈大。

目前而言，許多高校和企業在空氣質量預測方面做了大量的研究。例如，華中科技大學韋德志在2009年使用BP神經網絡對華中某市空氣質量進行預測，能準確分析出主要污染因子及其日平均濃度；河北科技大學張冬雯團隊在2020年提出了基于長短期記憶單元(LSTM)的神經網絡模型，成功預報了美國休斯頓和印度德里地區的空氣質量水平，結果優于使用BP神經網絡；中國科學院沈陽計算技術研究所祁柏林團隊在2021年提出了基于GCN和LSTM的空氣質量預測模型，分別提取小微型監測站之間的空間特征和特征并綜合時空特征進行預測，結果要優于LSTM神經網絡；上海師范大學趙前矩等在2022年提出RF-CRNN模型預測上海市空氣質量，使用隨機森林(Random Forest，RF)算法選擇特征，使用CRNN模型預測取得良好效果；Du Shengdong等提出了一種基于一維CNNs和Bi-LSTM的聯合混合深度學習框架，用于多元空氣質量相關時間序列數據的共享表示特征學習，預測PM2.5具有較高的準確性；Yan Rui等提出建立多時間多站點深度學習模型(LSTM，CNN，CNN-LSTM)預測北京每小時空氣質量取得良好效果。

上述研究中采用的大多是單一的或改進的神經網絡模型，而單一的模型的優勢與局限性各不相同，一定程度上會影響整體的預測效果。本文提出一種自適應Boosting組合模型應用于空氣質量預測領域，對于充分發揮單一模型的優勢，提高預測準確性具有重要意義。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000005065

作者信息：

徐海峰，黃小莉，張政

(西華大學電氣與電子信息學院，四川成都610000)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容