干散货港区PM2.5浓度多变量混合预测模型OA

为实现干散货港区PM2.5浓度的精准预测与有效管控,提出了一种融合XGBoost特征筛选与粒子群算法(PSO)智能优化的支持向量回归(SVR)多变量混合预测模型(XGBoost-PSO-SVR模型)。该模型充分考虑了港口PM2.5形成机制与气象条件下扩散过程的差异,通过XGBoost量化关键影响因子,并利用PSO优化后的SVR进行精准预测。长江南京段典型港区的实例验证结果表明,XGBoost-PSO-SVR模型在高浓度区间具有较强的鲁棒性,与单变量STL-ARIMA-SVR模型相比,其平均绝对误差、平均绝对百分比误差和均方根误差分别降低15.6%、14.3%和24.9%;与传统多变量SVR模型相比,分别降低52.5%、57.1%和37.7%;XGBoost-PSO-SVR模型具有较好的预测性能,可为干散货港区智慧化抑尘提供决策支撑。