TPE-XGBOOST与LassoLars组合下PM2.5浓度分解集成预测模型研究

作者：翁克瑞; 刘淼; 刘钱^*

来源：系统工程理论与实践, 2020, 40(03): 748-760.

• PM2.5浓度值预测
• 集成经验模态分解
• 贝叶斯优化算法
• 极限梯度提升树
• 套索回归
• 多元因素

在我国当前大气重污染的环境下,PM2.5浓度的预警预报工作显得尤为重要.由于PM2.5浓度时间序列具有高度复杂性与随机性等特点,且传统的PM2.5浓度分解集成预测方法没有考虑空气质量因素与气象因素的信息,仅靠PM2.5浓度的历史值难以准确对其精准预测.本文在对历史数据的分解下,对高频数据引入TPE-XGBOOST模型,对低频数据引入LassoLars模型,结合空气质量因素与气象因素反映分解特征的变化趋势,对PM2.5浓度时间序列展开预测研究.通过实验,该组合模型显示出了良好的预测效果,且相对于单一分解集成预测模型有较大的预测精度提升.

• 单位
  中国地质大学(武汉)经济管理学院