融合机器学习与多源异构数据的大气颗粒物浓度预测模型构建

杨 太平, 葛先 雷*, 韩 露, 张 帆, 刘 淼
淮南师范学院

摘要


本文针对华北地区某重工业城市，融合消光系数、气象观测及环境监测等多源异构数据，构建基于BP神经
网络的大气颗粒物浓度预测模型。通过1小时至6小时的预测实验，模型在短期预测中表现出较高精度，1小时预测
的决定系数R2达0.930，平均绝对误差MAE为6.797μg/m3，但预测精度随时间延长而降低。模型在不同污染等级和
时段的预测效果存在差异，对“优”等级的预测精度最高，工作日非高峰期的预测精度优于高峰期。该研究为大气
颗粒物浓度的精准预测提供了新的技术方法，可为污染防控决策提供科学支撑，但也存在对长期预测精度不足、运
算时间较长等问题，未来可进一步优化。

关键词


大气颗粒物；多源异构数据；机器学习；BP神经网络；预测模型

全文:

PDF


参考


[1]苏童.基于多源数据时空融合的干旱区农田土壤

盐分反演建模[D].新疆农业大学，2024.

[2]于昊楠.基于半监督学习的大气颗粒污染物溯源

方法研究[D].北京交通大学，2024.

[3]刘自轩.基于机器学习的颗粒光散射信号特征提

取与属性识别[D].西安理工大学，2023.

[4]余华声.基于时空卷积网络的PM2.5浓度预测方法

研究[D].江西理工大学，2023.

[5]周亚东.基于ToF-SIMS的技术优化解析城市大

气颗粒物三维结构及变化特征[D].华东师范大学，2023.


Refbacks

  • 当前没有refback。