基于mRMR-RF特征选择和ISSA-LSTM的空气质量预测模型

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 严重的空气污染对公众安全和健康构成重大风险.
• 准确的空气质量预测对于有效的污染控制和公众指导至关重要.
• 现有的单模块机器学习模型面临着长时间的训练时间和低于最佳的预测准确度的挑战.

研究的目的:

• 为增强空气质量指数 (AQI) 预测开发一种新的机器学习方法.
• 提高空气质量预测模型的准确性和效率.

主要方法:

• 一种混合模型,将随机森林 (RF) 与最小冗余最大相关性 (mRMR) 集成为影响变量选择.
• 一个改进的搜索算法 (ISSA) 用于优化长短期内存 (LSTM) 网络超参数.
• 使用优化的LSTM模型来预测AQI度.

主要成果:

• 与其他模型相比,拟议的ISSA-LSTM模型表现出优越的性能.
• 该模型实现了更高的预测准确度,由较低的根平均平方误差 (RMSE) 和较高的R平方 (R2) 值表明.
• 跨不同时间步骤的验证证实了模型的强大预测性能,错误最小.

结论:

• ISSA-LSTM模型为准确的空气质量指数预测提供了可行和有效的解决方案.
• 这种方法解决了传统模型的局限性,为环境监测和公共卫生保护提供了更可靠的工具.