基于 XGBOOST和ELM的混合空气质量预警系统:以南京为例

摘要：

随着近年来空气污染频繁发生,建立有效的空气质量预警系统已成当务之急.然而,现有研究在设计预警系统时大多忽略了数据预处理和空气质量评价的重要性,从而导致数据信息挖掘不足及其预测结果偏差.本文提出混合空气质量预警系统,由数据预处理、预测和空气质量评价三个模块组成.根据原始数据特征,首先,运用经典的经验模态分解(empirical mode decomposition,EMD)对训练集进行分解.其次,利用Lempel-Ziv复杂度算法将分量识别为高频和低频分量.然后根据平均互信息法(average mutual information,AMI)得到数据输入矩阵,进而对高频分量采用极限梯度提升树算法(eXtreme gradient boosting,XGBoost)并加入多元因素进行预测,而对低频分量采用极限学习机(extreme learning machine,ELM)进行预测,以提高预测模块的预测精度和稳定性.最后,在空气质量评价模块中通过计算找出当天的首要污染物.本文以南京市空气质量为例进行数据收集处理和预测,结果表明,该预测方法较其他参照模型具备更高的精度和更强的稳定性,评价模块也提供了一定的空气质量信息,形成一个完整的预警体系,为决策者治理空气污染提供科学依据.

关键词：空气质量、EMD、AMI、XGBoost、ELM

所属期刊栏目：31

分类号：C931;X831(管理学)

资助基金：国家自然科学基金71673145

在线出版日期：2023-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：269-278