基于预测数据特征的空气质量预测方法

高铭壑¹(),张莹^1,*(),张蓉蓉¹,黄子豪¹,黄琳焱¹,李繁菀¹,张昕²,王彦浩¹

1. 华北电力大学控制与计算机工程学院, 北京 102206
2. 长春理工大学计算机科学技术学院, 吉林 长春 130022

收稿日期:2019-07-18出版日期:2020-04-20发布日期:2020-04-16
通讯作者:张莹E-mail:1010619625@qq.com;dearzppzpp@163.com
作者简介:高铭壑(1995—)，女，吉林长岭人，硕士研究生，主要研究方向为人工智能. E-mail：1010619625@qq.com
基金资助:中央高校基本科研业务费专项资金(2018MS024);国家自然科学基金资助项目(61305056);吉林省科技发展计划项目(20190303133SF)

Air quality prediction approach based on integrating forecasting dataset

Minghe GAO¹(),Ying ZHANG^1,*(),Rongrong ZHANG¹,Zihao HUANG¹,Linyan HUANG¹,Fanyu LI¹,Xin ZHANG²,Yanhao WANG¹

1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China
2. School of Computer Science and Technology, Changchun University of Science and Technology, Jilin 130022, China

Received:2019-07-18Online:2020-04-20Published:2020-04-16
Contact:Ying ZHANG E-mail:1010619625@qq.com;dearzppzpp@163.com

Supported by:中央高校基本科研业务费专项资金(2018MS024);国家自然科学基金资助项目(61305056);吉林省科技发展计划项目(20190303133SF)

摘要/Abstract

摘要： 采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM_2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1914