南京林业大学学报(自然科学版)

作者：赵凌霄,李智扬,屈磊磊

单位：1.大连海洋大学海洋与土木工程学院,辽宁 大连 116023,2.复旦大学大气与海洋科学系,上海 200438,3.重庆大学土木工程学院,重庆 400044,4.大连海洋大学信息工程学院,辽宁 大连 116023

关键词：PM2.5浓度,经验模态分解(EMD),时间序列模型,混合模型,CatBoost算法,机器学习,大连市

基金：辽宁省博士科研启动基金项目(2020-BS-216),国家级大学生创新创业训练计划(202110158002),辽宁省大学生创新创业训练计划(S202210158006)

【目的】 解决传统大气PM2.5浓度时序预测时精度较低问题,减少PM2.5时间序列的非线性、高噪声、不平稳与波动性对预测的影响,从而更精确地预测PM2.5浓度。【方法】 以2014年1月1日至2022年1月31日大连市雾霾天气时PM2.5数据为例,提出了经验模态分解(EMD)、分类提升 (CatBoost)、自回归综合移动平均模型(ARIMA)组合的混合机器学习时间序列模型,并与传统自回归模型(AR)、ARIMA,以及只加入EMD方法后的混合模型进行比较。【结果】 混合模型EMD-CatBoost-ARIMA较原始序列均方根误差(RMSE)改进20.76%,平均绝对值误差(MAE)改进17.40%,希尔不等系数(TIC)改进29.17%。【结论】 对于高熵值的重构序列,EMD分解方法和CatBoost算法能够显著提升PM2.5时间序列模型的预测性能。相比较传统时间序列模型,EMD-CatBoost-ARIMA模型对大气PM2.5浓度预测性能较高。

来源：2024年第3期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2024年第3期