Для смягчения негативных последствий загрязнения воздуха в данной статье исследуется модель прогнозирования концентрации загрязняющих веществ на основе метода машинного обучения. Во-первых, чтобы улучшить производительность прогнозирования алгоритма поиска воробья методом наименьших квадратов с опорными векторами (SSA-LSSVM), введён принцип обратной стратегии обучения, и лучшее решение получается путём оптимизации текущего и обратного решений одновременно. Во-вторых, в соответствии с нелинейными и нестационарными характеристиками данных временных рядов PM_2.5 и PM₁₀ метод декомпозиции вариационного режима (VMD) используется с целью декомпозиции исходных данных для получения соответствующего значения K. Наконец, проводится экспериментальная проверка и эмпирический анализ. В эксперименте 1 авторы проверили хорошую производительность модели на наборах данных репозитория машинного обучения в Ирвине (UCI) Калифорнийского университета. В эксперименте 2 они предсказали данные о загрязняющих веществах для ряда городов региона Пекин-Тяньцзинь-Хэбэй в разные периоды времени, получили пять наборов ошибок и сравнили их с шестью другими алгоритмами. Результаты показывают, что метод прогнозирования, описанный в этой статье, имеет хорошую надёжность, и ожидаемые результаты могут быть получены при различных условиях прогнозирования.

 

Ссылка: https://www.mdpi.com/2073-4433/14/7/1106