基于机器学习的空气污染物与气象要素关系及AQI预测研究
黄妍玲 严皓文 张浩淼^通讯作者

重庆电子科技职业大学，重庆市，401331；

摘要：结合污染物和气象因子，首先通过灰色关联度分析确定与空气质量指数关联度较高的污染物。然后，基于选出的污染物，利用 Spearman 等级相关系数筛选出相关气象因子作为机器学习的输入变量。通过典型相关性分析，表明在进行污染物预测时，气象变量应当被赋予更高的权重，而不仅依赖污染物的历史数据。最后，采用四种机器学习模型对 AQI 进行了预测，结果表明，四种模型的 R2 均超过 0.95，表现出较好的预测性能。但是，在梯度提升树和决策树模型上存在过拟合的现象。因此，BP神经网络模型在泛化能力上表现最佳，其次为随机森林模型。

关键词：空气质量指数；空气污染物；气象因子；预测模型；机器学习

参考文献

[1]刘金培,罗瑞,陈华友,等.基于多尺度3D-CNN-CBAM的空气质量指数时空预测[J].控制与决策,2025,40(02):404-412.DOI:10.13195/j.kzyjc.2024.0105.

[2]马俊文,严京海,孙瑞雯,等.基于LSTM-GCN的PM2.5浓度预测模型[J].中国环境监测,2022,38 (5):153-160.

[3]张小曳,徐祥德,丁一汇,等.2013～2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J].中国科学:地球科学,2020,50(04):483-500.

[4]赵艺伟.基于机器学习的空气质量预测模型研究[D].安徽理工大学,2024.DOI:10.26918/d.cnki.ghngc.2024.001097.

[5]陈建坤,牟凤云,张用川,等.基于多机器学习模型的逐小时PM2.5浓度预测对比[J].南京林业大学学报(自然科学版),2022,46(05):152-160.