基于树模型的北京市PM_(2.5)预测效果对比研究

作者：梁锡冠; 李志生; 金宇凯; 张华刚; 欧耀春

来源：环境工程, 2021, 1-13.

• 周期特征
• 机器学习
• PM2.5影响因素
• LightGBM
• PM2.5预测

在城市空气质量的预测中，PM2.5的质量浓度会受到气象条件和时间周期的影响。本文选取北京市全市为实验区域，对多种污染物浓度特征、时间特征及天气特征等进行了分析，采用2019年33个空气质量监测站逐小时数据开展PM2.5预测实验，建立了基于特征的LightGBM（LightGradientBoostingMachine）PM2.5质量浓度预测模型，分别与随机森林模型（RF）、梯度提升树模型（GBDT）、XGBoost模型其他3个PM2.5浓度预测模型进行对比。结果表明，在PM2.5浓度预测精度方面， LightGBM模型最高， XGBoost模型次之，随机森林模型最差。LightGBM模型的PM2.5 污染浓度预测准确率高于其他模型，R2为0.9614，并且LightGBM模型具有训练快，内存少等优点。LightGBM模型在五个评估指标上均优于其余模型，说明 LightGBM模型在PM2.5逐时预测上具有很好的稳定性和应用前景。

• 单位
  广东工业大学