中国环境科学

作者：康俊锋, 谭建林, 方雷, 肖亚来

单位：1. 江西理工大学土木与测绘工程学院, 江西 赣州 341000;2. 复旦大学环境科学与工程系, 上海 200433

关键词：LSTM,XGBoost,PM2.5预测,变权组合

基金：国家重点研发计划项目（2016YFC08033105）；国家留学基金资助项目（201808360065）；江西省教育厅科学技术研究项目（GJJ150661）；国家自然科学基金青年基金资助项目（41701462）

为进一步提高PM2.5浓度预测的精度，基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析，得到其它大气污染物和气象因素对PM2.5浓度的影响，确定最优PM2.5浓度预测因子，再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测，采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明，污染物变量的相对重要性高于气象因子变量，其中当前PM2.5和CO浓度的相对重要性较高，而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06，优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明，XGBoost-LSTM（Variable）模型在春季预测精度最好，而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征，又兼顾了数据的非线性特征.

来源：2021年第9期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2021年第9期