7、预测 PM 2.5 浓度的模型研究

预测 PM 2.5 浓度的模型研究

一、引言

PM 2.5 浓度的准确预测对于环境监测、公共健康保护等方面具有重要意义。随着科技的发展，越来越多的方法被用于评估和预测 PM 2.5 浓度，主要分为统计/数学方法和机器学习（ML）技术，且 ML 技术近年来逐渐成为主流。

二、模型类型

2.1 机器学习模型

在气候科学和工程领域，确定性模型难以捕捉环境污染浓度与其排放源之间的关系。而基于人工智能/机器学习（AI/ML）方法的统计建模的最新进展为解决这些问题提供了方案。不过，输入变量类型在很大程度上影响算法的执行效果，且对于特定任务，为何某一算法计算更受青睐仍有待研究。

2.2 统计模型/时间序列模型/化学模型

相关研究中使用的统计/时间序列模型/化学模型的具体信息如下表所示：
| 目标 | 区域 | 持续时间 | 特征 | 算法/方法 | 性能指标 | 结果 |
| — | — | — | — | — | — | — |
| 预测 | 北京 | 2018 | 气象数据、空气污染物 | 时间序列模型（AR、AR - Kalman 滤波器、IMM） | MAE、MAPE、RMSE | IMM 性能最佳 |
| 趋势预测、值预测、隐藏因素预测 | 上海、北京、广州、成都 | 2012 - 2014 | 美国州空气质量文件 | ARMA 模型、SV 模型、SW 模型 | MSE | 对 PM 2.5 浓度（六小时）有更好的预测 |
| 确定 | 伊朗德黑兰 | 2006 - 2016 | 空间数据、时间数据 | SVR、GWR、ANN、NARX—外部输入 | R2、RMS