Optimized PM Prediction Model Using XGBoost Coupled with Improved Grasshopper Optimization Algorithm

doi:10.1007/s44408-026-00121-6

Optimized PM Prediction Model Using XGBoost Coupled with Improved Grasshopper Optimization Algorithm

2026-05-01

0

PRE

AI

K

Krishnadoss, Nivethitha

L

Lokeshkumar Ramasamy *

DOI：10.1007/s44408-026-00121-6

原文链接

原文求助

摘要

En 中文

PM2.5浓度的准确预测对于控制空气污染对人类健康的风险至关重要。本研究应用一种扩展梯度提升模型的方法，结合改进的草地贪夜蛾优化算法，用于预测PM2.5，并采用气象和化学输入数据。利用XGBoost的优势处理模糊关联和非线性交互，而IGOA能有效优化超参数（HPs）。因此，我们还对以下六种回归模型进行了比较分析：线性回归（LR）、随机森林（RF）、决策树（DT）、梯度提升（GBoost）、扩展梯度提升（XGBoost）以及XGBoost_GOA与提出的XGBoost_IGOA。模型的性能通过不同的输入变量组合进行分析。根据实验数据，所提出的模型在PM2.5预测上取得了显著改进，均方误差（MSE，μg/m³）为216，平均绝对误差（MAE，μg/m³）为5，平均绝对百分比误差（MAPE，%）为15.34，决定系数（R²）为0.812。本研究结果表明，所提出的方法是准确预测PM2.5浓度的有效工具，并可能帮助其他研究人员在其各自领域构建改进的预测模型。

Keyword:

PM

Extreme gradient boosting

Improved grasshopper optimization

Meteorological data

Pearson correlation coefficient

Optimized PM Prediction Model Using XGBoost Coupled with Improved Grasshopper Optimization Algorithm

摘要

期刊

机构

引用论文