改进空气质量预测使用混合BPSO与BWAO进行特征选择和超参数优化

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:

• 空气污染对公众健康和环境可持续性构成重大风险.
• 准确的空气质量预测模型对于有效的环境管理和公共卫生保护至关重要.

研究的目的:

• 开发和优化机器学习模型,利用年度 AQI 数据预测空气质量.
• 通过先进的特征选择技术,识别AQI预测中最相关的特征.
• 通过超参数优化来提高模型准确性和计算效率.

主要方法:

• 利用美国环境保护局 (EPA) 的年度空气质量指数 (AQI) 数据集.
• 应用二进制灰狼优化器 (BGWO),粒子群优化 (BPSO),鱼优化算法 (BWAO),以及用于特征选择的混合BPSO-BWAO.
• 评估了各种机器学习模型,包括随机森林 (RF),梯度提升 (GB),K-最近邻居 (KNN),多层感知器 (MLP),支持向量机 (SVM) 和线性回归 (LR).
• 实现了使用新型混合PSO-WAO方法的超参数调整.

主要成果:

• 混合的BPSO-BWAO特征选择方法显示了更好的稳定性和特征集平衡,选择了关键的AQI指标.
• 随机森林模型在特征选择后,实现了53.93的MSE和0.9710的R2,缩短了装配时间.
• 通过混合PSO-WAO进行进一步的优化,增强了随机森林模型,从而改善了MSE的51.82和R2的0.9821.

结论:

• 特性选择和超参数优化对于提高空气质量预测模型的准确性和计算效率至关重要.
• 优化的随机森林模型为可靠的空气质量预测提供了一个强大的框架.
• 该研究强调了先进的优化技术在环境数据分析中的有效性.