[1] 程春英, 尹学博. 雾霾之PM2.5的来源、成分、形成及危害[J]. 大学化学, 2014, 29(5): 1 − 6.
[2] 李颖, 巩世钰. 基于文献计量的PM2.5研究热点及趋势分析[J]. 辽宁师范大学学报(自然科学版), 2020, 43(1): 111 − 118.
[3] 曲悦, 钱旭, 宋洪庆, 等. 基于机器学习的北京市PM2.5浓度预测模型及模拟分析[J]. 工程科学学报, 2019, 41(3): 401 − 407.
[4] 任才溶, 谢刚. 基于随机森林和气象参数的PM2.5浓度等级预测[J]. 计算机工程与应用, 2019, 55(2): 213 − 220. doi: 10.3778/j.issn.1002-8331.1709-0378
[5] 戴李杰, 张长江, 马雷鸣. 基于机器学习的PM2.5短期浓度动态预报模型[J]. 计算机应用, 2017, 37(11): 3057 − 3063.
[6] 刘杰, 杨鹏, 吕文生, 等. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76 − 83. doi: 10.6040/j.issn.1672-3961.0.2014.214
[7] LIU H X, LI Q, YU D B, et al. Air quality index and air pollutant concentration prediction based on machine learning algorithms[J]. Applied Sciences, 2019, 9(19): 4069. doi: 10.3390/app9194069
[8] 李栋, 惠锋, 张文宇, 等. 基于混合模型的PM2.5日浓度预测[J]. 统计与决策, 2019(5): 92 − 96.
[9] HU X F, BELLE J H, MENG X, et al. Estimating PM2.5 concentrations in the conterminous united states using the random forest approach[J]. Environmental Science & Technology, 2017, 51(12): 6936.
[10] 杨云, 付彦丽. 关于空气中PM2.5质量浓度预测研究[J]. 计算机仿真, 2016, 33(3): 413 − 418. doi: 10.3969/j.issn.1006-9348.2016.03.092
[11] LEE M, LIN L, CHEN C Y, et al. Forecasting air quality in Taiwan by using machine learning[J]. Entific Reports, 2020, 10(1): 1 − 13.
[12] SONG Z, DENG Q L, REN Z G. Correlation and principal component regression analysis for studying air quality and meteorological elements in Wuhan, China[J]. Environmental Progress & Sustainable Energy, Inc, 2020, 39(1): . 13278.
[13] PAK U, MA J, RYU U, et al. Deep learning-based PM2.5 prediction considering the spatiotemporal correlations: A case study of Beijing, China[J]. Ence of the Total Environment, 2019, 699: 133561.
[14] 宋飞扬, 铁治欣, 黄泽华, 等. 基于KNN-LSTM的PM2.5浓度预测模型[J]. 计算机系统应用, 2020, 29(7): 193 − 198.
[15] 黄婕, 张丰, 杜震洪, 等. 基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测[J]. 浙江大学学报: 理学版, 2019, 46(3): 370 − 379.
[16] 惠洪宽, 王敏, 潘晓杰. 青岛市大气颗粒物PM2.5污染特征动态分析[J]. 科学与管理, 2018, 38(2): 70 − 77.
[17] 侯勇, 郑雪峰. 集成学习算法的研究与应用[J]. 计算机工程与应用, 2012, 48(34): 17 − 22.
[18] 彭岩, 赵梓如, 吴婷娴, 等. 基于集成学习的PM2.5浓度预测与影响因素分析[J]. 北京邮电大学学报, 2019, 42(6): 162 − 169.
[19] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5 − 32. doi: 10.1023/A:1010933404324
[20] 杨思琪, 赵丽华. 随机森林算法在城市空气质量预测中的应用[J]. 统计与决策, 2017(20): 83 − 86.
[21] 蔡畅, 黄亦翔, 邢宏文. 基于梯度提升树的飞机机身对接状态识别[J]. 浙江大学学报(工学版), 2019, 53(7): 1274 − 1281. doi: 10.3785/j.issn.1008-973X.2019.07.005
[22] 朱亚杰, 李琦, 侯俊雄, 等. 基于支持向量回归的PM2.5浓度实时预报[J]. 测绘科学, 2016, 41(1): 12 − 17+22.
[23] 郭飞, 谢立勇. 基于气象因素和改进支持向量机的空气质量指数预测[J]. 环境工程, 2017, 35(10): 151 − 155.
[24] 万永权, 徐方勤, 燕彩蓉, 等. 融合气象参数及污染物浓度的空气质量预测方法[J]. 计算机应用与软件, 2018, 35(8): 113 − 117.