《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 基于自適應(yīng)Boosting組合模型的空氣質(zhì)量預(yù)測
基于自適應(yīng)Boosting組合模型的空氣質(zhì)量預(yù)測
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 6期
徐海峰，黃小莉，張 政
(西華大學(xué) 電氣與電子信息學(xué)院，四川 成都610000)
摘要： 針對當(dāng)前空氣質(zhì)量預(yù)測模型存在較大誤差以及單一模型在不同方面具有一定局限性，導(dǎo)致預(yù)測誤差較大的問題，提出一種自適應(yīng)Boosting組合模型。利用誤差平方和倒數(shù)法、簡單加權(quán)平均法等五種方法自適應(yīng)地賦予三個基礎(chǔ)Boosting模型權(quán)重，最終的結(jié)果按照相應(yīng)的權(quán)重疊加，達到充分發(fā)揮每個單一模型的優(yōu)勢，提高預(yù)測精度的目的。實驗結(jié)果表明，誤差平方和倒數(shù)法組合模型的表現(xiàn)最優(yōu)，采用誤差平方和倒數(shù)法計算權(quán)重的組合模型的MAE為7.124 4，RMSE為9.367 1，R2為0.863 9，優(yōu)于其他地權(quán)重組合方法以及單一的Boosting模型。該組合模型的應(yīng)用，為優(yōu)化空氣質(zhì)量預(yù)測系統(tǒng)提供了一個行之有效的方法。
中圖分類號： TP391.9
文獻標(biāo)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(yīng)Boosting組合模型的空氣質(zhì)量預(yù)測[J].網(wǎng)絡(luò)安全與數(shù)據(jù)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(dāng)今世界面臨的十分嚴(yán)峻的問題，不僅對人體健康存在嚴(yán)重威脅，還對戶外活動產(chǎn)生限制。空氣質(zhì)量指數(shù)(Air Quality Index，AQI)，是衡量空氣質(zhì)量的關(guān)鍵指標(biāo)。通常而言，AQI的數(shù)值越大，表明空氣的污染越嚴(yán)重，對人體的危害愈大。

目前而言，許多高校和企業(yè)在空氣質(zhì)量預(yù)測方面做了大量的研究。例如，華中科技大學(xué)韋德志在2009年使用BP神經(jīng)網(wǎng)絡(luò)對華中某市空氣質(zhì)量進行預(yù)測，能準(zhǔn)確分析出主要污染因子及其日平均濃度；河北科技大學(xué)張冬雯團隊在2020年提出了基于長短期記憶單元(LSTM)的神經(jīng)網(wǎng)絡(luò)模型，成功預(yù)報了美國休斯頓和印度德里地區(qū)的空氣質(zhì)量水平，結(jié)果優(yōu)于使用BP神經(jīng)網(wǎng)絡(luò)；中國科學(xué)院沈陽計算技術(shù)研究所祁柏林團隊在2021年提出了基于GCN和LSTM的空氣質(zhì)量預(yù)測模型，分別提取小微型監(jiān)測站之間的空間特征和特征并綜合時空特征進行預(yù)測，結(jié)果要優(yōu)于LSTM神經(jīng)網(wǎng)絡(luò)；上海師范大學(xué)趙前矩等在2022年提出RF-CRNN模型預(yù)測上海市空氣質(zhì)量，使用隨機森林(Random Forest，RF)算法選擇特征，使用CRNN模型預(yù)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(lián)合混合深度學(xué)習(xí)框架，用于多元空氣質(zhì)量相關(guān)時間序列數(shù)據(jù)的共享表示特征學(xué)習(xí)，預(yù)測PM2.5具有較高的準(zhǔn)確性；Yan Rui等提出建立多時間多站點深度學(xué)習(xí)模型(LSTM，CNN，CNN-LSTM)預(yù)測北京每小時空氣質(zhì)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(jīng)網(wǎng)絡(luò)模型，而單一的模型的優(yōu)勢與局限性各不相同，一定程度上會影響整體的預(yù)測效果。本文提出一種自適應(yīng)Boosting組合模型應(yīng)用于空氣質(zhì)量預(yù)測領(lǐng)域，對于充分發(fā)揮單一模型的優(yōu)勢，提高預(yù)測準(zhǔn)確性具有重要意義。




本文詳細內(nèi)容請下載：http://theprogrammingfactory.com/resource/share/2000005065



作者信息：

徐海峰，黃小莉，張  政

(西華大學(xué) 電氣與電子信息學(xué)院，四川 成都610000)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。