基于聚类分型的随机森林O₃浓度预测方法研究

摘要

基于上海市2014—2020年6种空气污染物浓度的监测数据以及同期的天气预报数据，提出一种经模糊C均值聚类算法优化的随机森林O₃浓度预测模型。利用互相关分析的方法筛选出2个聚类因子，再利用模糊C均值聚类算法将O₃浓度分为3种类型，最后利用随机森林建立O₃浓度预测模型，并对比聚类前后的预测效果。结果表明：前1日的O₃浓度和PM₁₀浓度对预测日的O₃浓度影响最大，且O₃浓度的月变化明显。经模糊C均值聚类后，O_{3＿8 h}浓度预测结果的平均绝对误差和均方根误差分别减小了10.5%和8.8%。随机森林提升了O₃浓度的预测效果，且聚类后模型的决定系数R²增加。

关键词

O₃ / 空气污染物 / 模糊C均值 / 聚类分型 / 随机森林 / 机器学习