基于XGBoost-ARIMA方法的PM2.5质量浓度预测模型的研究及应用

针对PM_2.5时间序列的非线性、高噪声、不平稳与波动性的特征，提出一种基于分解集成框架以及相关性去噪的新型XGBoost-ARIMA混合预测模型。以石家庄市为例，选择PM₁₀、SO₂等4个影响因子，PM_2.5为目标因子，构建混合预测模型以合理区分与处理时间序列中高频、低频数据，并通过Pearson相关性去噪方法对时间序列中的噪声因子进行去除。实例验证及与经典预测模型的对比研究表明，提出的新型XGBoost-ARIMA混合预测模型适用于大气污染治理以及环境政策制定所需的PM_2.5质量浓度日均数据预测，实现了针对大气污染物日均质量浓度的准确预测，能够为污染治理与政策制定提供科学的数据支撑；该方法与经典预测模型相比，具有更优的预测性能(平均绝对误差仅为10.465 18,且希尔不等系数低至0.085 89)。