杭 琦,杨敬辉,黄国荣

(上海第二工业大学a.环境与材料工程学院;b.智能制造与控制工程学院,上海201209)

0 引 言

随着工业化进程加快,城市人口增多,空气污染的问题也日趋严重。近年来,虽然国家在大气污染防治的问题上取得了很大的成就,但是我国的大气污染问题仍然不容乐观,特别是以可吸入颗粒物、氮氧化物、臭氧等为主要污染物的空气污染问题也日趋严重。为了加强空气污染防治工作,减少由于空气污染造成对人体健康的危害和对环境造成的污染,采取有效的空气评价方法对海量的空气质量数据进行评价,并以此为基础进一步减少大气污染、优化空气质量,就显得尤为重要[1]。

目前国内外空气质量的算法有BP神经网络法[2]、支持向量机(support vector machine,SVM)[3]、决策树[4]和污染损害率法[5],文献[2]中提出的神经网络算法具有很强的自学习和自适应能力,但其在训练的过程中需要大量的原始数据,计算量较大;对于经典的SVM算法,它处理二分类算法的效率较高,但对于多分类模型来说,分类的准确性较低;文献[4]中提出的决策树算法中不能较好地处理连续值的属性、产生过拟合或欠拟合的情况;文献[5]中的污染损害率法的评价结果较客观,但是没有考虑PM2.5和O3的浓度问题对空气质量的影响。本文考虑并增加了PM2.5和O3两个属性,并创新性地采用随机森林算法进行空气质量评估。随机森林算法是在决策树理论基础上发展起来的一种新的分类算法,它解决了小……