基于树模型的北京市PM2.5预测效果对比分析

摘要

在城市空气质量预测中,ρ(PM2.5)会受到气象条件和时间周期的影响.选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM2.5预测实验,建立了基于特征的LightGBM(light gradient boosting machine)PM2.5质量浓度预测模型,分别与随机森林模型(RF)、梯度提升树模型(GBDT)、XGBoost模型3个PM2.5浓度预测模型进行对比.结果 表明:在PM2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差.LightGBM模型的PM2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点.LightGBM模型的5个评估指标均优于其他模型,说明其在PM2.5逐时预测上具有很好的稳定性和应用前景.