中国环境科学

作者：邓田丰, 李梓铭, 张少波, 孙兆彬

单位：1. 成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室/气象灾害预测预警四川省工程研究中心/成都平原城市气象与环境四川省野外科学观测研究站, 四川 成都 610225;2. 北京市气象台, 北京 100089;3. 中国气象科学研究院气象影响与风险研究中心, 北京 100081

关键词：时间序列,预测,花粉浓度,机器学习,模型集成

基金：中国气象局创新发展专项重点项目(CXFZ2025J074);北京市气象局青年创新团队(CXTD202506)

基于机器学习和时间序列算法,对北京市顺义区2018~2024年的花粉浓度进行了时间序列模拟预测研究.研究整合了传统统计模型、机器学习模型和深度学习模型,并引入36种气象要素及其变量作为协变量以提升预测精度.结果显示,AutoGluon-TimeSeries(AG-TS)通过模型集成显著降低了过拟合风险,在短期预测(1d)中表现优异,其中DLinear模型以R=0.68和RMSE=206.5的综合性能最佳.相比之下,部分模型在预测时有高估或低估现象.研究发现,花粉浓度呈现春季(3~5月)和秋季(8~10月)双峰特征,与气象变量的相关性反映了气象条件和植被物候的复杂影响.此外,模型性能随预测时间延长衰减,如DLinear在3d预测中R值下降18%,RMSE上升15%.通过剔除低效模型并优化剩余模型,为花粉过敏预警提供了模型优化的方向和科学支持.

来源：2025年第11期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2025年第11期