基于模型融合的空气质量预测研究

发布时间：2025-06-10 03:25

　　空气质量作为人类赖以生存的环境条件,越来越受大家的重视,为此国家和个人都在为保护环境做出贡献。为了提出更有效的保护措施,应充分分析各个影响空气质量的因素,并对空气质量进行预测,进而为人们实施环境保护提供良好的判断依据,防范空气质量对人们的出行和生活造成影响。本文选用北京市昌平区逐小时空气污染数据集,使用8项评价指标对ARIMA模型、BP神经网络模型、XGBoost模型进行评估。结果表明XGBoost模型表现最好,BP神经网络模型次之。为了更进一步提升预测精度,本文使用5个模型融合方法对上述3个模型进行融合。为了评估混合模型的效果,本文选择三个比较有概括性和针对性的指标:均方根误差、校正决定系数和平均绝对百分比误差。结果表明,预测误差平方和倒数融合模型的三个评价指标是这8个模型里边最优的。因此,本文最终得出结论:使用预测误差平方和倒数融合法对XGBoost模型、ARIMA模型、BP模型进行融合,得到的混合模型的预测效果比前3个单模型的预测结果更精确。

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 国内现状
        1.2.2 国外现状
    1.3 本文研究内容与创新点
        1.3.1 本文研究内容
        1.3.2 本文创新点
    1.4 本文结构安排
第二章 数据及数据预处理
    2.1 样本数据简介
    2.2 数据预处理
    2.3 相关性检验和主成分分析
        2.3.1 相关性检验
        2.3.2 主成分分析
    2.4 样本数据筛减
    2.5 本章小结
第三章 模型评价指标
    3.1 平均绝对误差(MAE)
    3.2 平均绝对百分比误差(MAPE)
    3.3 对称平均绝对百分比误差(SMAPE)
    3.4 决定系数(R2)
    3.5 校正决定系数(R2_adjusted)
    3.6 误差平方和(SSE)
    3.7 均方误差(MSE)
    3.8 均方根误差(RMSE)
    3.9 本章小结
第四章 基于ARIMA模型的空气质量预测
    4.1 时间序列理论知识
    4.2 时间序列模型
        4.2.1 AR(p)模型
        4.2.2 MA(q)模型
        4.2.3 ARMA(p,q)模型
        4.2.4 ARIMA(p,d,q)模型
    4.3 实证分析
    4.4 本章小结
第五章 基于决策树的空气质量预测
    5.1 决策树理论知识
    5.2 决策树模型
    5.3 实证分析
    5.4 本章小结
第六章 基于BP神经网络的空气质量预测
    6.1 BP神经网络理论知识
    6.2 BP神经网络模型
        6.2.1 隐含层节点数的确定
        6.2.2 学习率和迭代次数的确定
    6.3 实证分析
    6.4 本章小结
第七章 融合模型的空气质量预测
    7.1 模型融合方法及应用
        7.1.1 等权重融合法
        7.1.2 加权平均融合法
        7.1.3 预测误差平方和倒数融合法
        7.1.4 均方根误差倒数融合法
        7.1.5 校正决定系数加权平均融合法
    7.2 模型对比分析
    7.3 本章小结
第八章 总结与展望
    8.1 全文总结
    8.2 研究展望
参考文献
致谢



本文编号：4050238