基于机器学习的PM2.5短期浓度动态预报模型
来源：计算机应用杂志2017年第11期北京时间：
作者：戴李杰, 张长江, 马雷鸣
单位：1. 浙江师范大学 数理与信息工程学院, 浙江 金华 321004;2. 上海市气象局 中心气象台, 上海 200030
摘要：针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题，从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报（WRF-Chem）浓度和5个主要气象因子的模式预报数据资料，联合应用支持向量机（SVM）和粒子群优化（PSO）算法建立滚动预报模型，对PM2.5未来24小时浓度进行预报，同时对未来一天的昼、夜均值及日均值浓度进行预报，并与径向基函数神经网络（RBFNN）、多元线性回归法（MLR）、模式预报（WRF-Chem）作对比。实验结果表明，相比其他预报方法，所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度，这与此前的研究结论相符；所提模型能对PM2.5未来24小时浓度进行较好的预报，能对未来一天的昼均值、夜均值及日均值进行有效预报，并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高。
关键词：机器学习,粒子群优化算法,动态模型,滚动预报
基金资助：国家自然科学基金资助项目（41575046）；浙江省科技厅公益性技术应用研究计划项目（2016C33010）；浙江省金华市科技计划项目（2014-3-028）。
