典型文献
基于机器学习的长沙市空气污染物浓度预报研究
文献摘要：
基于2014～2019年长沙市6种空气污染物日均浓度的监测数据、同期的气象数据,利用随机森林重要性评估的方法对影响污染物浓度的预报因子进行筛选,构建了基于随机森林算法和支持向量机算法的2种机器学习预报模型对6种空气污染物浓度分别进行预报.结果表明:各污染物浓度预报结果的均方根误差随着AQI指数的增加而变大;经随机森林变量筛选优化之后2种模型对各种污染物浓度的预报准确率都有所提升,且预报准确率都随着预报时效的增大而降低.整体而言,支持向量机回归模型对长沙市空气污染预报具有更强的泛化能力,误差更小.
文献关键词：
空气污染;预报;随机森林;支持向量机;机器学习
中图分类号：
作者姓名：
陈金车;迪里努尔·牙生;王田宇;王金艳;孙彩霞;谢祥珊;冯薇
作者机构：
兰州市气象局,甘肃 兰州 730101;兰州大学大气科学学院,甘肃 兰州 730000
文献出处：
引用格式：
[1]陈金车;迪里努尔·牙生;王田宇;王金艳;孙彩霞;谢祥珊;冯薇-.基于机器学习的长沙市空气污染物浓度预报研究)[J].环境保护科学,2022(04):103-112
A类：
B类：
基于机器学习,长沙市,空气污染物,污染物浓度,年长,日均浓度,气象数据,重要性评估,预报因子,随机森林算法,支持向量机算法,预报模型,AQI,变量筛选,筛选优化,预报准确率,报时,整体而言,支持向量机回归模型,泛化能力
AB值：
0.292746
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
