基于SARIMA-BP神经网络的城市近地面臭氧预测

来源：环境科学杂志2026年第1期北京时间：

作者：许成丽,郑朝阳

单位：合肥大学数学与统计系, 合肥 230601,合肥大学数学与统计系, 合肥 230601

摘要：随着城市化和工业化进程的加速，我国城市臭氧（O₃）污染问题日益严峻. 针对传统时间序列模型预测O₃浓度未充分考虑随机因素的局限性，提出一种机器学习融合模型，即季节性自回归积分滑动平均（SARIMA）与反向传播神经网络（BPNN）集成模型. 该模型将数据分解成线性和非线性两部分，充分利用SARIMA模型线性拟合优势和BPNN非线性映射能力，以提高预测精度. 具体而言，首先对O₃原始序列进行季节性趋势分解法（STL），提取其趋势、季节性成分和随机效应，基于此建立SARIMA模型预测O₃浓度的线性变化；随后，将数据的非线性部分输入BPNN，拟合随机波动；最终，整合SARIMA和BP模型的预测结果，得到综合预测输出. 选取合肥市2021~2023年的O₃浓度监测数据构建SARIMA-BP神经网络组合模型，结果显示，均方根误差（RMSE）达到8.385 2 μg·m-3，相较于单一的SARIMA和BP模型，预测精度分别提升了55.88%和22.39%，优于SARIMA-LSTM模型预测效果，可为城市臭氧污染防控提供理论依据.

关键词：季节性自回归积分滑动平均（SARIMA）,神经网络,时间序列,组合模型,浓度预测,