基于IAO 優(yōu)化HKELM 的空氣質(zhì)量指數(shù)預(yù)測

周 韋， 孫憲坤， 萬俊杰

（上海工程技術(shù)大學(xué)， 電子電氣工程學(xué)院， 上海 201620）

0 引 言

城市環(huán)境污染不僅影響社會(huì)經(jīng)濟(jì)的發(fā)展，對(duì)人們的身體也會(huì)造成有害的影響。 據(jù)統(tǒng)計(jì)，中國空氣污染區(qū)域占國土面積的1／4，受影響的人口近7 億。因此實(shí)現(xiàn)對(duì)空氣質(zhì)量指數(shù)（AQI）進(jìn)行準(zhǔn)確有效地預(yù)測成為重中之重。

目前，國內(nèi)外空氣質(zhì)量預(yù)測模型主要有回歸統(tǒng)計(jì)分析模型、時(shí)間序列模型、灰色理論模型等。 但是AQI 數(shù)據(jù)是混沌的、非平穩(wěn)的，導(dǎo)致上述模型的預(yù)測精度不高。 神經(jīng)網(wǎng)絡(luò)模型具有良好的學(xué)習(xí)能力，受到廣大學(xué)者的關(guān)注。 文獻(xiàn)［1］ 將 BP （Back Propagation）神經(jīng)網(wǎng)絡(luò)應(yīng)用到了空氣質(zhì)量預(yù)測中，取得了良好的預(yù)測效果；文獻(xiàn)［2］ 提出了一種RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量預(yù)測模型，相比BP 神經(jīng)網(wǎng)絡(luò)，效果有所提升。 然而神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢，易陷入局部極值等缺陷。

文獻(xiàn)［3］提出極限學(xué)習(xí)機(jī)（ELM），是一種前饋神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)；文獻(xiàn)［4］ 提出了一種 PSO （ Particle Swarm Optimization）－ELM 的空氣質(zhì)量預(yù)測模型，該模型可以有效提高空氣質(zhì)量預(yù)測精度；文獻(xiàn)［5］提出了一種基于IPSO（Improved Particle Swarm Optimization）－ELM 的空氣質(zhì)量預(yù)測模型，相比傳統(tǒng)的基于BP 和ELM 的神經(jīng)網(wǎng)絡(luò)模型，該模型具有更高的精度。 但是ELM 也存在一些缺點(diǎn)，比如網(wǎng)絡(luò)的隱層節(jié)點(diǎn)個(gè)數(shù)難以確定、不同的參數(shù)對(duì)預(yù)測結(jié)果有不同的影響等。因此文獻(xiàn)［3］又引入了支持向量機(jī)中的核函數(shù)，使得極限學(xué)習(xí)機(jī)無需設(shè)置隱藏層神經(jīng)元個(gè)數(shù)和輸入權(quán)值參數(shù)，解決了ELM 過擬合和易陷入局部極值的問題。

為了進(jìn)一步提高空氣質(zhì)量預(yù)測模型的預(yù)測精度，本文提出了一種基于IAO 優(yōu)化混合核極限學(xué)習(xí)機(jī)（HKELM）的空氣質(zhì)量指數(shù)預(yù)測模型。 首先，為提高天鷹優(yōu)化器（AO）的尋優(yōu)能力，引入改進(jìn)的混沌初始化策略和自適應(yīng)t 分布策略對(duì)其進(jìn)行改進(jìn)，得到改進(jìn)的天鷹優(yōu)化器（IAO）；其次，結(jié)合徑向基核函數(shù)和多項(xiàng)式核函數(shù)構(gòu)造具有更強(qiáng)泛化能力的混合核極限學(xué)習(xí)機(jī)模型，利用IAO 算法來優(yōu)化HKELM 模型的參數(shù)；最后，將IAO－HKELM 模型應(yīng)用于實(shí)際案例中，并與其他模型的預(yù)測結(jié)果及誤差進(jìn)行對(duì)比。 結(jié)果表明，本文所設(shè)計(jì)模型具有更高的穩(wěn)定性和預(yù)測精度。

1 混合核極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（ELM）作為一種新型單隱藏層的前饋神經(jīng)網(wǎng)絡(luò)模型，具有學(xué)習(xí)能力快，泛化能力強(qiáng)等優(yōu)點(diǎn)，在處理非線性回歸方面具有良好的效果［6］。假設(shè)有D個(gè)訓(xùn)練樣本｛（xi，yi），i＝1，2，…，D｝，ELM輸回歸模型可以表示為式（1）：

其中，x表示輸入數(shù)據(jù)向量；f（x） 表示網(wǎng)絡(luò)輸出；h（x） 和H表示隱藏層映射產(chǎn)生的矩陣；β表示隱藏層與輸出層之間的權(quán)值。

為使模型具有更好的泛化能力，引入對(duì)角矩陣I0和懲罰系數(shù)C，然后根據(jù)廣義逆矩陣原理可得式（2）：

其中，y＝［y1，y2，…，yD］ 為期望輸出。

為了進(jìn)一步增加模型的穩(wěn)定性，文獻(xiàn)［3］引入核方法， KELM （Kernel Based Extreme Learning Machine）的核矩陣表示為式（3）：

KELM 用核矩陣ΩKELM代替了ELM 中HHT，并通過核函數(shù)將輸入樣本映射到高維隱層特征空間中，可得式（4）：

其中，K（xi，xj） 為核函數(shù)。

常見的核函數(shù)主要有以下4 種：

（1）高斯核函數(shù)，式（5）：

（2）多項(xiàng)式核函數(shù)，式（6）：

（3）線性核函數(shù)，式（7）：

（4）感知器核函數(shù)，式（8）：

其中，σ、m、n和d為混合核參數(shù)，λ為多項(xiàng)式核函數(shù)的權(quán)系數(shù)。

KELM 的性能由核函數(shù)決定［7］。 本文結(jié)合了多項(xiàng)式核函數(shù)和高斯核函數(shù)作為KELM 的核函數(shù)，以提高模型的性能。 多項(xiàng)式核函數(shù)是一種全局核函數(shù)，擁有較差的局部學(xué)習(xí)能力，多項(xiàng)式核函數(shù)曲線如圖1 所示，其中測試點(diǎn)X＝0.5，m＝1，n＝1，d取1、2、3 和4，由圖1 可以看出多項(xiàng)式核函數(shù)的全局特性體現(xiàn)在與測試點(diǎn)相距較遠(yuǎn)的點(diǎn)影響較大。

圖1 多項(xiàng)式核函數(shù)曲線Fig. 1 Polynomial kernel function curve

高斯核函數(shù)是一種局部核函數(shù)，具有很好的局部學(xué)習(xí)能力，但是對(duì)超出一定范圍的樣本無法進(jìn)行準(zhǔn)確有效地預(yù)測，高斯核函數(shù)曲線如圖2 所示，其中測試點(diǎn)X＝0.5，σ取0.1、0.2、0.3 和0.4。 由圖2 可以看出高斯核函數(shù)的局部特性體現(xiàn)在與測試點(diǎn)相距較近的點(diǎn)影響較大。

圖2 高斯核函數(shù)曲線Fig. 2 Gaussian kernel function curve

混合核函數(shù)可以同時(shí)兼顧兩者的優(yōu)點(diǎn)，將兩種核函數(shù)進(jìn)行線性組合，形成混合核函數(shù)，式（9）：

混合核函數(shù)曲線如圖3 所示，其中測試點(diǎn)X＝0.5，λ取0.1，0.2，0.3 和0.4，高斯核函數(shù)中σ取0.1，多項(xiàng)式核函數(shù)中m＝1，n＝1，d＝2。 由圖3 可以看出，混合核函數(shù)不僅對(duì)測試點(diǎn)周圍的樣本點(diǎn)有影響，而且對(duì)距離測試點(diǎn)有一定距離的樣本點(diǎn)也有一定影響，因此混合核函數(shù)有效結(jié)合了高斯核函數(shù)和多項(xiàng)式核函數(shù)的優(yōu)點(diǎn)，彌補(bǔ)了單一核函數(shù)的不足。

圖3 混合核函數(shù)曲線Fig. 3 Mixed kernel function curve

訓(xùn)練混合核極限學(xué)習(xí)機(jī)（HKELM）時(shí)采用改進(jìn)的麻雀搜索算法對(duì)參數(shù)σ、m、n、λ以及懲罰系數(shù)C進(jìn)行優(yōu)化。

混合核極限學(xué)習(xí)機(jī)（HKELM）通過混合核函數(shù)將輸入樣本映射到高維的隱層特征空間中，用核映射代替了極限學(xué)習(xí)機(jī)中的隨機(jī)映射，增強(qiáng)了模型的學(xué)習(xí)能力和泛化能力，其擬合能力優(yōu)于非核的極限學(xué)習(xí)機(jī)［8］。 基于以上優(yōu)點(diǎn)，本文采用HKELM 實(shí)現(xiàn)空氣質(zhì)量指數(shù)預(yù)測。

2 天鷹優(yōu)化器及其改進(jìn)

2.1 天鷹優(yōu)化器

AO 是一種新型智能優(yōu)化算法，該算法用數(shù)學(xué)模型模仿了天鷹在狩獵過程中的行為［9］。 AO 算法包括兩個(gè)階段，分別為探索階段和開發(fā)階段。當(dāng)k≤（2／3）?K，k為當(dāng)前迭代次數(shù)，K為總迭代次數(shù)，執(zhí)行探索階段，否則執(zhí)行開發(fā)階段。 探索階段又分為擴(kuò)展探索和縮小范圍探索；開發(fā)階段又分為擴(kuò)大開發(fā)和縮小范圍開發(fā)。

首先，AO 算法利用式（10）來確定N個(gè)個(gè)體的初始值。

其中，rand為［0，1］之間的隨機(jī)數(shù)，i＝1，2，…，N，j＝1，2，…，d；N表示種群數(shù)量；d表示維數(shù)；UBj和LBj分別表示維度為j的上限和下限。

2.1.1 擴(kuò)展探索

天鷹在高空翱翔，確定探索空間區(qū)域，獵物在哪里，用公式（11）表示其行為：

其中，K表示最大迭代次數(shù)；Xbest（k） 表示當(dāng)前最佳位置；XM（k） 表示在第k次迭代中個(gè)體位置的平均值；rand為0～1 之間的隨機(jī)數(shù)。

XM（k） 計(jì)算公式為（12）：

其中，d表示優(yōu)化變量的維度。

2.1.2 縮小范圍探索

當(dāng)天鷹發(fā)現(xiàn)獵物區(qū)域，在目標(biāo)獵物上方盤旋，縮小獵物所在區(qū)域，準(zhǔn)備進(jìn)攻。 用公式（13）表示其行為：

飛行分布函數(shù)Levy（d） 如式（14） 所示：

其中，s＝0.01，β＝1.5，u和v為［0，1］之間的隨機(jī)數(shù)。

螺旋形狀y和x如式（15） 所示：

其中：

r1為［0，20］ 之間的隨機(jī)數(shù)，d1表示1 到d之間的正整數(shù)，U＝0.005 65，ω＝0.005。

2.1.3 擴(kuò)大開發(fā)

當(dāng)獵物區(qū)域被精準(zhǔn)確定，天鷹垂直下降進(jìn)行初步攻擊。 用公式（19）表示其行為：

其中，rand?［0，1］，α＝0.1，δ＝0.1。UB和LB分別表示搜索空間的上界和下界。

2.1.4 縮小范圍開發(fā)

象鼩(qú)，又名跳鼩，是原產(chǎn)于非洲的小型哺乳動(dòng)物。之所以被稱為象鼩，是因?yàn)樗鼈兊拈L鼻子讓人聯(lián)想到大象，而它們的身形樣貌又和鼩鼱類似。不過，科學(xué)家經(jīng)過分析得出，象鼩和鼩鼱是兩類不同的動(dòng)物，而小小的象鼩與大象的親緣關(guān)系反而更近。

當(dāng)天鷹接近獵物時(shí)，根據(jù)獵物的隨機(jī)運(yùn)動(dòng)在陸地上攻擊獵物。 用公式（20）表示其行為：

其中，QF是用于平衡搜索策略的質(zhì)量函數(shù)，使用式（21）進(jìn)行計(jì)算；G1表示獵食動(dòng)物在獵食過程中用于追蹤獵物的各種動(dòng)作，使用式（22） 進(jìn)行計(jì)算；G2表示從2～0 的遞減值，使用式（23）進(jìn)行計(jì)算。

2.2 改進(jìn)天鷹優(yōu)化器

AO 與其他群智能優(yōu)化算法相比，不僅尋優(yōu)精度高，而且收斂速度快。 然而，AO 同其他群智能算法一樣，在迭代后期會(huì)出現(xiàn)種群多樣性減少，易陷入局部最優(yōu)等問題。 本文提出了一種改進(jìn)的AO，首先，利用Tent 混沌映射初始化種群，提高算法的全局搜索能力；其次，引入自適應(yīng)t 分布變異更新其位置，有效改善算法易陷入局部極值的缺陷。

改進(jìn)策略如下：

2.2.1 Tent 混沌映射

AO 采用隨機(jī)生成的方式對(duì)種群初始化，會(huì)導(dǎo)致天鷹種群分布不均勻。 而混沌映射具有規(guī)律性，遍歷性等特點(diǎn)，因此本文采用混沌序列對(duì)天鷹的位置進(jìn)行初始化。 Tent 映射分布直方圖如圖4（a）所示，可以看出Tent 映射分布較為均勻，張娜等人［10］指出Tent 混沌序列在迭代時(shí)存在陷入小周期點(diǎn)和不穩(wěn)定周期點(diǎn)的問題，因此在Tent 混沌映射表達(dá)式中加入了隨機(jī)變量rand（0，1）×（1／NT），改進(jìn)后的Tent 混沌序列分布圖如圖4（b）所示，表達(dá)式（24）如下：

圖4 不同混沌序列分布直方圖Fig. 4 Distribution histogram of different chaotic sequences

經(jīng)過貝努利變換后的表達(dá)式（25）如下：

其中，NT表示混沌序列中粒子的數(shù)量，rand（0，1） 是［0，1］ 之間的隨機(jī)數(shù)。

本文采用改進(jìn)的Tent 混沌映射來初始化種群，使得初始種群的位置分布更均勻。 步驟如下：

（1）產(chǎn)生（0，1）之間的隨機(jī)數(shù)x0，即i＝0；

（2）根據(jù)式（25）進(jìn)行迭代計(jì)算，產(chǎn)生一個(gè)X序列，i自增1；

（3）當(dāng)i到達(dá)最大迭代次數(shù)時(shí)，保存好X序列；

（4）將X序列的元素按照式（26）映射到天鷹個(gè)體上，得到xnewi；

其中，UB和LB分別表示搜索空間的上下界。

2.2.2 自適應(yīng)t 分布策略

t 分布又稱學(xué)生分布，其分布函數(shù)曲線形態(tài)由參數(shù)自由度的值n決定。 t 分布、高斯分布和柯西分布圖如圖5 所示，當(dāng)自由度n越小，曲線的形態(tài)越平坦；當(dāng)自由度n＝1 時(shí)，t 分布為柯西分布，即t（n＝1） →C（0，1）；當(dāng)自由度n越大時(shí)，曲線形態(tài)表現(xiàn)越高聳，曲線類似于標(biāo)準(zhǔn)正態(tài)分布曲線；當(dāng)自由度n無限大時(shí)，t 分布為高斯分布，即t（n＝∞）→N（0，1）。

圖5 t 分布、高斯分布和柯西分布函數(shù)分布圖Fig. 5 t distribution， Gaussian distribution and Cauchy distribution function

對(duì)天鷹位置利用自適應(yīng)t 分布進(jìn)行更新，xti表示經(jīng)過t 變異后的天鷹的位置。 式（27）：

其中，xi為第i個(gè)鷹個(gè)體的位置，t（k） 表明選擇當(dāng)前迭代次數(shù)為參數(shù)自由度的t 分布。

當(dāng)前期迭代次數(shù)k較小時(shí)，t 分布類似柯西分布變異，此時(shí)的t 分布算子取得較大值，位置變異的步長較大，使得算法擁有較好的全局搜索能力；在迭代中期，t 分布由柯西分布變異向高斯分布變異轉(zhuǎn)變，t分布算子取值相對(duì)折中，使得算法結(jié)合了兩者的優(yōu)勢(shì)，同時(shí)兼顧全局和局部搜索能力；當(dāng)后期迭代次數(shù)k較大時(shí)，t 分布類似高斯分布變異，此時(shí)的t 分布算子取得較小值，變異步長較小，使得算法擁有較好的局部搜索能力，該策略有利于算法找到全局最佳點(diǎn)。

2.3 IAO 性能評(píng)估

為驗(yàn)證IAO 算法的性能，本文使用了PSO（Particle Swarm Optimization）算法、GWO（Grey Wolf Optimizer）算法、AO 算法和IAO 算法對(duì)測試函數(shù)進(jìn)行仿真實(shí)驗(yàn)，各算法參數(shù)設(shè)置見表1。 每個(gè)算法的種群規(guī)模為30，最大迭代次數(shù)為1 000。 測試函數(shù)選取了多維單峰函數(shù)Sphere 和多維多峰函數(shù)Ackley，函數(shù)維度為50。 各算法獨(dú)立運(yùn)行20 次，得到的測試函數(shù)優(yōu)化曲線如圖6 和圖7 所示，適應(yīng)度值為測試函數(shù)值。

表1 參數(shù)設(shè)置表Tab. 1 Parameter settings

圖6 Sphere 函數(shù)優(yōu)化曲線Fig. 6 Sphere function optimization curve

圖7 Griewank 函數(shù)優(yōu)化曲線Fig. 7 Griewank function optimization curve

從圖6 可以看出，單峰Sphere 函數(shù)在PSO、GWO 和AO 在尋優(yōu)的過程中早早就陷入局部極值且無法自拔，導(dǎo)致算法收斂性能較弱。 而IAO 相比其他算法不僅尋優(yōu)精度高，而且具有更快的收斂速度。 從圖7 可以看出，IAO 在相同的迭代次數(shù)中其多峰Griewank 函數(shù)能夠?qū)ふ业礁鼉?yōu)的值，而且在尋優(yōu)精度和收斂速度上IAO 總是優(yōu)于其他算法，曲線先出現(xiàn)拐點(diǎn)表明收斂速度快，適應(yīng)度值越低表明尋優(yōu)精度越高。

3 基于IAO－HKELM 的空氣質(zhì)量指數(shù)預(yù)測

HKELM 模型的預(yù)測精度由混合核參數(shù)σ，m，n，λ以及懲罰系數(shù)C決定，因此參數(shù)的優(yōu)化尤為重要。 本文采用改進(jìn)的天鷹優(yōu)化器來對(duì)5 個(gè)參數(shù)尋優(yōu)，從而達(dá)到最佳的預(yù)測效果。

（1）數(shù)據(jù)集劃分。 將空氣質(zhì)量樣本數(shù)據(jù)劃分為訓(xùn)練集與測試集，并作歸一化處理。

（2）初始化參數(shù)。 設(shè)置參數(shù)σ、m、n、λ和C的優(yōu)化區(qū)間UB，LB，以及IAO 算法的相關(guān)參數(shù)值，利用式（26） （27）混沌映射初始化麻雀種群。

（3）選擇適應(yīng)度函數(shù)，將訓(xùn)練樣本的預(yù)測值和真實(shí)值yi的均方誤差（MSE） 作為天鷹個(gè)體的適應(yīng)度值，由式（13）計(jì)算可得。

（4）計(jì)算天鷹個(gè)體的適應(yīng)度值，根據(jù)適應(yīng)度值確定當(dāng)前最佳Xbest（k），更新XM（k），G1，G2，Levy（d） 等。

（5）當(dāng)k≤（2／3）?K時(shí)，且rand≤0.5 時(shí)，利用式（11）更新天鷹個(gè)體的位置，否則根據(jù)式（13）更新天鷹個(gè)體的位置。

（6）當(dāng)（2／3） ?K≤k≤K時(shí)，且rand≤0.5 時(shí)，利用式（19）更新天鷹個(gè)體的位置，否則根據(jù)式（20）更新天鷹個(gè)體的位置。

（7）根據(jù)式（27）對(duì)天鷹位置進(jìn)行t 分布變異擾動(dòng)。

（8）計(jì)算每只天鷹進(jìn)行t 分布后的適應(yīng)度值，將經(jīng)過t 分布操作后的新解適應(yīng)度值與原值進(jìn)行比較，更新全局最優(yōu)信息。

（9）終止條件。 若已達(dá)到最大迭代次數(shù)K時(shí)，則輸出最優(yōu)天鷹個(gè)體位置對(duì)應(yīng)的參數(shù)（C，λ，q，σ2），并建立混合核IAO－HKELM 空氣質(zhì)量指數(shù)預(yù)測模型。 否則返回步驟5。

（10）利用建立好的混合核IAO－LSSVM 模型進(jìn)行空氣質(zhì)量指數(shù)預(yù)測。

為比較各模型性能，選用均方根誤差（RMSE），平均絕對(duì)誤差百分比（MAPE） 和平均絕對(duì)誤差（MAE） 這3 個(gè)指標(biāo)作為模型的評(píng)價(jià)指標(biāo)。 各指標(biāo)的計(jì)算公式分別如式（28）～（30） 所示。

其中，表示預(yù)測值；Yi表示真實(shí)值；S為測試數(shù)據(jù)樣本總數(shù)。

4 案例分析

4.1 數(shù)據(jù)來源

實(shí) 驗(yàn) 中 通 過 天 氣 后 報(bào) 數(shù) 據(jù) 網(wǎng) 站（http：／ ／www.tianqihoubao.com／） 收集鄭州市2017年～2019 年750 組天氣數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表2。 選擇其中650 組數(shù)據(jù)作為訓(xùn)練樣本，剩余100 組數(shù)據(jù)作為測試樣本，其中AQI 為模型輸出，NO2、O3、CO、PM2.5、PM10、SO2為模型輸入。

表2 部分實(shí)驗(yàn)數(shù)據(jù)Tab. 2 Part of experimental data

4.2 模型參數(shù)確定

為了驗(yàn)證IAO－HKELM 模型的預(yù)測精度，選取了KELM、HKELM、PSO－HKELM、GWO－HKELM、AO－HKELM 和IAO－HKELM 模型，在相同的測試集上比較模型的精度。 各優(yōu)化算法參數(shù)設(shè)置與IAO性能測試相同，維度d＝5，K＝100。 KELM 模型選擇單一高斯核函數(shù)，參數(shù)σ＝10，C＝10；HKELM 模型選用高斯核函數(shù)和多項(xiàng)式核函數(shù)結(jié)合的混合核函數(shù)，參數(shù)λ＝0.5，σ＝10，m＝1，n＝1，C＝10；其余模型中參數(shù)λ∈［0，1］； 剩余參數(shù)取值下界為［0.01，0.01，0.01，0.01］，上界為［100，100，100，100］。各優(yōu)化算法優(yōu)化HKELM 得到的模型參數(shù)見表3 ，各模型預(yù)測結(jié)果如圖8 所示。

表3 HKELM 模型參數(shù)Tab. 3 HKELM model parameters

圖8 各模型的預(yù)測結(jié)果Fig. 8 Prediction results of different model

從圖8 可以看出，IAO－HKELM 模型對(duì)于預(yù)測樣本的預(yù)測精度上優(yōu)于其他模型。 各模型預(yù)測值與真實(shí)值的誤差見表4，選擇3 個(gè)評(píng)價(jià)指標(biāo)中的均方根誤差（RMSE） 來比較這幾個(gè)模型的性能，其中采用單一核函數(shù)的KELM 模型誤差較大為4.281 9，混合核函數(shù)HKELM 模型相比KELM 誤差有所減少為2.963 7，但是相比采用優(yōu)化算法優(yōu)化后的模型，還存在一定誤差。 PSO－HKELM、GWO－HKELM 和AO－HKELM模型的均方根誤差分別為2.963 7、2.640 7和2.145 6，而ISSA－HKELM 模型的均方誤差為1.771 2，誤差最小，說明IAO－HKELM 預(yù)測模型對(duì)于空氣質(zhì)量指數(shù)預(yù)測取得了很好的效果，相比其余幾個(gè)常用模型，誤差更小，精確度更高。

表4 誤差對(duì)比表Tab. 4 Error comparison

5 結(jié)束語

本文提出一種基于改進(jìn)天鷹優(yōu)化器優(yōu)化混合核極限學(xué)習(xí)機(jī)的空氣質(zhì)量指數(shù)預(yù)測模型。 通過引入改進(jìn)的混沌初始化策略和自適應(yīng)t 分布策略對(duì)天鷹優(yōu)化器進(jìn)行改進(jìn)；結(jié)合徑向基核函數(shù)和多項(xiàng)式核函數(shù)構(gòu)造具有更強(qiáng)泛化能力的混合核極限學(xué)習(xí)機(jī)模型，最終得到了IAO－HKELM 預(yù)測模型。 同過與其他模型進(jìn)行實(shí)驗(yàn)對(duì)比，最終驗(yàn)證了該模型預(yù)測精準(zhǔn)度更高，穩(wěn)定性更強(qiáng)，滿足實(shí)際的應(yīng)用。