基于自适应Boosting组合模型的空气质量预测-AET-电子技术应用

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。

关键词： 空气质量自适应 Boosting模型组合模型误差平方和倒数法

中图分类号：TP391.9
文献标识码：A
DOI：10.19358/j.issn.2097-1788.2022.06.012
引用格式：徐海峰，黄小莉，张政. 基于自适应Boosting组合模型的空气质量预测[J].网络安全与数据治理，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

空气污染是当今世界面临的十分严峻的问题，不仅对人体健康存在严重威胁，还对户外活动产生限制。空气质量指数(Air Quality Index，AQI)，是衡量空气质量的关键指标。通常而言，AQI的数值越大，表明空气的污染越严重，对人体的危害愈大。

目前而言，许多高校和企业在空气质量预测方面做了大量的研究。例如，华中科技大学韦德志在2009年使用BP神经网络对华中某市空气质量进行预测，能准确分析出主要污染因子及其日平均浓度；河北科技大学张冬雯团队在2020年提出了基于长短期记忆单元(LSTM)的神经网络模型，成功预报了美国休斯顿和印度德里地区的空气质量水平，结果优于使用BP神经网络；中国科学院沈阳计算技术研究所祁柏林团队在2021年提出了基于GCN和LSTM的空气质量预测模型，分别提取小微型监测站之间的空间特征和特征并综合时空特征进行预测，结果要优于LSTM神经网络；上海师范大学赵前矩等在2022年提出RF-CRNN模型预测上海市空气质量，使用随机森林(Random Forest，RF)算法选择特征，使用CRNN模型预测取得良好效果；Du Shengdong等提出了一种基于一维CNNs和Bi-LSTM的联合混合深度学习框架，用于多元空气质量相关时间序列数据的共享表示特征学习，预测PM2.5具有较高的准确性；Yan Rui等提出建立多时间多站点深度学习模型(LSTM，CNN，CNN-LSTM)预测北京每小时空气质量取得良好效果。

上述研究中采用的大多是单一的或改进的神经网络模型，而单一的模型的优势与局限性各不相同，一定程度上会影响整体的预测效果。本文提出一种自适应Boosting组合模型应用于空气质量预测领域，对于充分发挥单一模型的优势，提高预测准确性具有重要意义。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005065

作者信息：

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)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容