面向PM2.5预测的时间序列分解与机器学习融合模型

作者：杨长春; 聂倩倩

来源：安全与环境学报, 2023, 23(12): 4600-4608.

DOI：10.13637/j.issn.1009-6094.2022.1616

• 环境学
• PM2.5质量浓度
• 时间序列
• Prophet算法
• 极限梯度提升树

细颗粒物(PM2.5)对大气污染和人体健康具有显著影响。为了提高PM2.5质量浓度预报准确率，提出一种将先知(Prophet)时间序列分解算法和极限梯度提升树(Extreme Gradient Boosting, XGBoost)机器学习模型相结合的多变量混合预测模型(Prophet-XGBoost)。利用Prophet算法对时间序列可分解的特性，将PM2.5高维质量浓度序列分解成若干低维时序特征分量，并与污染物和气象因素数据集成构建XGBoost预测模型，以得到PM2.5质量浓度的预测值。试验中以南京市PM2.5质量浓度历史数据为例进行实证分析。结果表明，结合Prophet时间序列分解的预测模型，PM2.5质量浓度预测结果的决定系数R2提升至0.658 4。由此可见，Prophet-XGBoost多变量混合预测模型较传统长短期记忆神经网络(Long Short-Term Memory, LSTM)、XGBoost模型能够更好地预测PM2.5日均质量浓度的变化趋势。