多机器学习模型下空气质量等级分类预测研究

摘要

采用2015—2017年攀枝花市污染要素(PM_2.5、PM₁₀、SO₂、NO₂、O₃及CO)逐小时实测数据，分季节构建了K近邻模型（KNN）、BP神经网络模型（BPNN）、XGBoost模型和长短期记忆模型（LSTM）对逐小时空气质量指数（Air Quality Index，简称AQI）进行预测分析。结果表明：AQI与各类气象要素以及时间序列都具有良好的相关性，作为特征变量在空气质量等级分类预测中效果良好。模型预测评估方面，LSTM模型预测效果最好，综合准确率达88.1%,XGBoost次之。LSTM模型对污染天气预测效果良好，总体呈现冬季>秋季>春季>夏季。气象要素与空气质量等级相关性呈冬高夏低，能见度与空气质量等级相关性最好，而露点温度、水汽压相关性在夏季较差。本研究通过对比不同季节多种机器学习模型对逐小时AQI等级的预测效果，找出最适宜的模型，为环保部门准确预报、预测空气质量指数，提高环境治理效果提供参考。

关键词

空气质量指数 / 气象要素 / 机器学习 / 长短期记忆模型(LSTM)

基金资助

高原与盆地暴雨旱涝灾害四川省重点实验室青年专项（SCQXKJQN202211）