针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(randomforestregression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型——RFRP模型。
同时,收集了西安市2013--2016年的历史气象数据,进行模型的有效性实验分析。
实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为O.281S,约为BP-NN(backpropagationneuralnetwork,BP神经网络)预测模型的5.88%。
2024/3/5 9:44:07
1.18MB
回归分析
1