随机森林模型在太原市细颗粒物浓度预测中的应用

发布时间：2019-09-26 23:57

【摘要】：作为大气中污染最重的污染物—首要污染物,它的浓度是一项重要的空气质量指标。因此面对日益严峻的空气质量状况,及时开展首要污染物浓度的预报、预警工作显得尤为重要。太原市作为我国典型的能源化工基地,大气污染长久以来一直比较严重,空气质量问题备受政府和市民的关注,对太原市的大气污染问题进行深入研究迫在眉睫。首先,本文以太原市2013年12月1日至2016年12月31日的逐日空气质量监测数据和对应的地面气象数据资料为基础,对其近三年的空气质量状况、首要污染物的分布特征进行描述性统计分析,发现太原市大气污染中的首要污染物主要为颗粒物:PM_(10)和PM_(2.5),其中PM_(10)是春夏季节主要的首要污染物,PM_(2.5)是秋冬季节主要的首要污染物。另外,太原市在2014-2016年间达到“中度污染”及以上的天气共138天,其中:春夏季节占17天,秋冬季节占121天。鉴于太原市秋冬季节的空气质量较差,本文仅对秋冬季节的PM_(2.5)浓度进行预测。其次,系统性地阐述了本文所用的随机森林模型的相关理论知识。然后,本文在借鉴其他学者研究方法的基础上,从空气污染物与气象因素的角度出发,收集了可能影响PM_(2.5)浓度的关键因素,并利用Pearson相关系数和Spearman秩相关系数分析了PM_(2.5)浓度与这些因素之间的相关性。最后,通过10折交叉验证法,建立基于随机森林算法的PM_(2.5)浓度预测模型,并与传统的线性回归模型、Boosting回归模型及支持向量回归模型进行对比研究。结果表明,预测性能指标NMSE、MAE及RMSE的值在测试集上的大小按模型排序均为:线性回归模型Boosting回归模型支持向量回归模型随机森林回归模型。同时,预测性能指标R的值在测试集上的大小按模型排序为:随机森林回归模型支持向量回归模型Boosting回归模型线性回归模型。综上所述,与其他三种模型相比,随机森林回归模型具有较高的预测精度、较强的泛化能力、不需做特征选择等优点,是一种值得应用和推广到预测城市颗粒物浓度中的方法。
【图文】：

太原市地理位置图

014-2016年太原市AQI的月均值变化
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：X513

【参考文献】

相关期刊论文 前10条

1 尹文君;张大伟;严京海;张超;李云婷;芮晓光;;基于深度学习的大数据空气污染预报[J];中国环境管理;2015年06期

2 徐戈;张科;;基于随机森林模型的房产价格评估[J];统计与决策;2014年17期

3 智颖;李婧;;呼和浩特市空气颗粒物影响因素研究[J];中国环境监测;2014年03期

4 方镜尧;赵传燕;朱卫浩;;兰州市供暖期PM_(2.5)浓度监测及其预报模型[J];环境科学与技术;2014年04期

5 国务院发展研究中心和世界银行联合课题组;李伟;Sri Mulyani Indrawat;刘世锦;韩俊;Klaus Rohland;Bert Hofman;;中国:推进高效、包容、可持续的新型城镇化[J];中国经济报告;2014年04期

6 孟杰;;随机森林模型在财务失败预警中的应用[J];统计与决策;2014年04期

7 黄晓娴;王体健;江飞;;空气污染潜势-统计结合预报模型的建立及应用[J];中国环境科学;2012年08期

8 李贞子;张涛;武晓岩;李康;;随机森林回归分析及在代谢调控关系研究中的应用[J];中国卫生统计;2012年02期

9 方匡南;吴见彬;朱建平;谢邦昌;;随机森林方法研究综述[J];统计与信息论坛;2011年03期

10 任万辉;苏枞枞;赵宏德;;城市环境空气污染预报研究进展[J];环境保护科学;2010年03期

相关会议论文 前1条

1 王雁;张怀德;郭伟;闫世明;;太原市大气颗粒物浓度预报研究初探[A];2015年中国环境科学学会学术年会论文集（第二卷）[C];2015年

相关硕士学位论文 前1条

1 薛兴钊;基于BP神经网络的秦岭北麓中部空气质量预报研究[D];西安建筑科技大学;2014年

，

本文编号：2542376