摘要：近年来，数据挖掘技术被广泛用于优化空气质量数值模拟，提升模拟精度和效率，但所用方法及其应用效果还有待梳理。因此，本文分类归纳了数据挖掘技术在优化空气质量数值模拟中的主要应用方式、优化效果和计算效率，结果表明：①此类研究根据应用环节分为以下三类。第一类是模拟结果优化法，对空气质量数值模拟的输出结果进行数据挖掘分析，从而优化预测结果；第二类是模拟过程优化法，利用数据挖掘技术对空气质量数值模拟过程中的输入参数、偏微分方程求解等进行优化；第三类是数据挖掘模型训练法，以数据挖掘技术替代空气质量数值模拟过程，直接预测空气质量。②数据挖掘技术有效提升了数值模型的预测效果和运行效率，尤其模拟结果优化法中的机器学习方法可实现PM2.5、O3预测浓度的RMSE分别降低65%～83%、24%～74%。③尽管数值模型时间复杂度为线性阶，优于数据挖掘，但数值模型的数据预处理量大，且需要计算比研究区域范围更大的嵌套模拟区域，而数据挖掘在矩阵计算、硬件加速方面更有优势，因此数值模型的实际计算开销可能高于数据挖掘。研究显示，未来数据挖掘技术在空气质量预测模拟中的应用前景广阔，包括集成应用空气质量数值模拟和数据挖掘技术，支撑大气污染防控和决策；此外，还将引入可解释性人工智能技术，解释分析模型预测结果。
文章目录
1 数据挖掘
2 数据挖掘在空气质量数值模拟中的应用研究现状
2.1 模拟结果优化法
2.2 模拟过程优化法
2.2.1 输入参数优化法
2.2.2 方程求解优化法
2.3 数据挖掘模型训练法
2.4 优化效果对比分析
3 算法时间复杂度分析
4 结论与展望
4.1 结论
4.2 展望
