基于优化PSO-SVR算法的PM2.5浓度预测

亚博 张, 守琎 南, 彦 唐, 云飞 杨

摘要


本研究针对支持向量回归（SVR）算法中核函数和惩罚参数选择导致的回归精度不足问题， 提出采用粒子群优化算法（PSO）对 SVR 的核参数和惩罚参数进行优化选择，以提升 PM2.5 浓度预报 的准确性。以北京市为研究区域，选取主要大气污染物、气象要素及 GNSS 天顶对流层延迟（ZTD） 等作为预测变量，构建同期 PM2.5 浓度预测模型。实验结果显示，PSO-SVR 模型在回归精度方面显著 优于 SVR 模型、随机森林模型和 BP 神经网络模型，能更有效地捕捉数据序列的潜在变化特征。在短 期预测中，该模型不仅展现出优异的预测效果，同时保持了较好的泛化能力，体现出较强的适应性。

关键词


PM2.5 浓度预测；支持向量回归；粒子群优化算法；优化算法

全文:

PDF

参考


曹玉洁，王广鹤.大气细颗粒物与电子烟联合暴露毒性 研究进展[J].环境与职业医学，2023，40（05）： 595-600+608.

Dong M，Yang D，Kuang Y et al. PM2.5 concentration prediction using hidden semi-Markov model-based times series datamining[J]. Expert Syst Appl 36：9046 -9055.

Elbayoumi M，Azam N，Faizah N et al. Multivariate

Hu S ， Liu P ，Qiao Y et al. PM2.5 concentration prediction based on WD-SA-LSTM-BP model：a case study of Nanjing city[J]. Environ Sci Pollut Res 29：70323 -70339.

Yuan XF，Huang B，Wang YL et al.Deep learning-based feature representation and its application for soft sensor modeling with variable-wise weighted SAE[J]. IEEE Trans Ind Informatics 14：3235 -3243.

王勇，闻德保，刘严萍，等.雾霾天气对 GPS 天顶对流 层延迟与可降水量影响研究[J].大地测量与地球动力学，2014， 34（02）：120-123+127.

Cortes C ， Vapnik V. Support-vector networks[J]. Machine Learning，1995，20（3）：273-297.

彭令，牛瑞卿，吴婷. 时间序列分析与支持向量机的滑坡 位移预测[J]. 浙江大学学报（工学版），2013，47（09）：1672-1679.

KENNEDY J，EBERHART R C. Particle swarm optimization[C]. International Conference on Networks，2002：1942-1948.




DOI: https://doi.org/10.12238/jpm.v6i5.8032

Refbacks

  • 当前没有refback。


Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。