文獻(xiàn)標(biāo)識碼： A
DOI： 10.19358/j.issn.2097-1788.2022.06.012
引用格式： 徐海峰，黃小莉，張政. 基于自適應(yīng)Boosting組合模型的空氣質(zhì)量預(yù)測[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(6)：84-89.
0 引言
空氣污染是當(dāng)今世界面臨的十分嚴(yán)峻的問題，不僅對人體健康存在嚴(yán)重威脅，還對戶外活動產(chǎn)生限制。空氣質(zhì)量指數(shù)(Air Quality Index，AQI)，是衡量空氣質(zhì)量的關(guān)鍵指標(biāo)。通常而言，AQI的數(shù)值越大，表明空氣的污染越嚴(yán)重，對人體的危害愈大。
目前而言，許多高校和企業(yè)在空氣質(zhì)量預(yù)測方面做了大量的研究。例如，華中科技大學(xué)韋德志在2009年使用BP神經(jīng)網(wǎng)絡(luò)對華中某市空氣質(zhì)量進(jìn)行預(yù)測，能準(zhǔn)確分析出主要污染因子及其日平均濃度；河北科技大學(xué)張冬雯團(tuán)隊在2020年提出了基于長短期記憶單元(LSTM)的神經(jīng)網(wǎng)絡(luò)模型，成功預(yù)報了美國休斯頓和印度德里地區(qū)的空氣質(zhì)量水平，結(jié)果優(yōu)于使用BP神經(jīng)網(wǎng)絡(luò)；中國科學(xué)院沈陽計算技術(shù)研究所祁柏林團(tuán)隊在2021年提出了基于GCN和LSTM的空氣質(zhì)量預(yù)測模型，分別提取小微型監(jiān)測站之間的空間特征和特征并綜合時空特征進(jìn)行預(yù)測，結(jié)果要優(yōu)于LSTM神經(jīng)網(wǎng)絡(luò)；上海師范大學(xué)趙前矩等在2022年提出RF-CRNN模型預(yù)測上海市空氣質(zhì)量，使用隨機(jī)森林(Random Forest，RF)算法選擇特征，使用CRNN模型預(yù)測取得良好效果；Du Shengdong等提出了一種基于一維CNNs和Bi-LSTM的聯(lián)合混合深度學(xué)習(xí)框架，用于多元空氣質(zhì)量相關(guān)時間序列數(shù)據(jù)的共享表示特征學(xué)習(xí)，預(yù)測PM2.5具有較高的準(zhǔn)確性；Yan Rui等提出建立多時間多站點深度學(xué)習(xí)模型(LSTM，CNN，CNN-LSTM)預(yù)測北京每小時空氣質(zhì)量取得良好效果。
上述研究中采用的大多是單一的或改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，而單一的模型的優(yōu)勢與局限性各不相同，一定程度上會影響整體的預(yù)測效果。本文提出一種自適應(yīng)Boosting組合模型應(yīng)用于空氣質(zhì)量預(yù)測領(lǐng)域，對于充分發(fā)揮單一模型的優(yōu)勢，提高預(yù)測準(zhǔn)確性具有重要意義。
本文詳細(xì)內(nèi)容請下載：http://m.jysgc.com/resource/share/2000005065
作者信息：
徐海峰，黃小莉，張 政
(西華大學(xué) 電氣與電子信息學(xué)院，四川 成都610000)
