华中杯C题：空气质量预测
问题一:
根据附件 1和附件 2，对数据进行分析和处理，筛选出与 PM2.5 浓度变化有关的因素，并说明筛选出的因素对 PM2.5 浓度影响的程度。
| 这道题其实比较简单，主要是做相关性影响分析，这里我讲两种做法，第一种做法比较简单，我们可以通过常规的统计学模型来进行分析，例如说做相关性分析，差异性分析等等，这里差异性分析可以举一个例子，例如说基于PM2.5浓度，我们可以用配对样本t检验研究他跟其他样本的是否存在差异以及其程度。第二种做法就比较炫技了，我们可以先构建一个机器学习模型，例如Xgboost.模型对PM2.5浓度进行预测，将其他相关影响的因素作为模型的输入变量，通过调参交叉验证得到最优的xgboost模型，这里我们可以采用一些启发式算法，例如说pso,遗传算法等等,然后我们再通过shap模型计算每个特征对模型的贡献程度，可视化特征重要性。另外我们也可以先用第二种方式研究各个变量的特征重要性，然后再用第一种方式去研究不同变量它们之间的差异情况 |
问题二:
自行划分训练集和测试集，根据附件 1和附件 2，基于问题一构建 PM2.5 浓度多步预测模型，分别使用均方根误差 (RMSE) 对 3 步、5 步、7步、12 步预测效果进行评估，其结果请用表 1格式在正文中具体给出，并对测试集及其预测结果进行可视化同时，用该模型预测附件 3 所给定时间的 PM2.5 浓度，其结果请用表 2格式在正文中具体给出。
| 第二问的话，我们可以采用时间序列分析，他这里的多部其实指的就是时间滑动预测窗口的步阶，一般来说做时间序列分析有两种做法，一种是传统的arima.模型或灰色预测模型，他们就是很正统的单序列时间预测。但是其实在工业界用的更火的一种是回归模型预测，这种做法其实就是对数据进行了时间窗口滑动处理，简单说，例如步阶设置为1，那么就是用第一天的数据预测第二天，第二天的数据预测第三天，第三天的数据预测第四天。以此类推，这样我们就得到了x跟y，然后通过机器学习回归进行训练与预测，因此他这里说的步阶为三，那其实就是用123天的数据去预测第四天，用234天的数据去预测第五天，像这种模型我们可以采用深度学习模型LSTM或者机器学习，例如说xgboost模型 |
问题三:
构建 AQI多步预测模型，使用均方根误差(RMSE) 对建模效果进行评估，并对测试集及其预测结果进行可视化。同时，用该模型预测附件 3 所给定时间的 AQI，并给出每天空气质量的预警等级，其结果请用表 3 和表 4格式在正文中具体给出。
| 第三问与第二问一直，没啥好说的 |
完整解题视频可看B站
文章出处登录后可见！
已经登录？立即刷新
