夏润:基于改进集成学习算法的空气质量离线和在线预测论文

夏润:基于改进集成学习算法的空气质量离线和在线预测论文

本文主要研究内容

作者夏润(2019)在《基于改进集成学习算法的空气质量离线和在线预测》一文中研究指出:空气质量预测关系大气质量和人类疾病。空气环境复杂多变,影响因素众多,且存在复杂的非线性关系。空气质量数据具有实时数据流一般特性,对这样的数据分析需要离线和在线预测相结合的方法。因此,本文针对空气质量分析与预测的研究具有重要的应用价值。本文提出一种集成学习方法且结合PI(plant information)系统对空气质量进行分析与预测。在离线部分中,我们提出了一种基于XGBoost算法的改进方法OPGBoost,主要采用自定义XGBoost损失函数和Bagging集成来优化。根据空气质量数据的特点,采用拉格朗日插值法对数据进行处理,利用错位的方式构建一段时间内空气数据的属性,用于扩充原有的数据特征,并且从中筛选出重要的特征。然后,采用XGBoost、RF、OPGBoost和BP算法建立预测模型,经过模型评估和结果对比,选取OPGBoost算法作为最终的空气质量的预测模型。此外,PI系统通过二次开发,引入机器学习模块,增添数据挖掘功能,实现在线预测功能。运用PI的数据融合功能集成特征子集,并利用滑动窗口缓存数据集,采用衰减函数控制生成模型的权重,最后组合之前生成的模型,在PI系统上采用OPGBoost算法进行在线实时预测。实验表明,针对PM2.5和AQI的空气质量预测,取得了较好的离线建模和在线预测效果,具有较好的实际意义。

Abstract

kong qi zhi liang yu ce guan ji da qi zhi liang he ren lei ji bing 。kong qi huan jing fu za duo bian ,ying xiang yin su zhong duo ,ju cun zai fu za de fei xian xing guan ji 。kong qi zhi liang shu ju ju you shi shi shu ju liu yi ban te xing ,dui zhe yang de shu ju fen xi xu yao li xian he zai xian yu ce xiang jie ge de fang fa 。yin ci ,ben wen zhen dui kong qi zhi liang fen xi yu yu ce de yan jiu ju you chong yao de ying yong jia zhi 。ben wen di chu yi chong ji cheng xue xi fang fa ju jie ge PI(plant information)ji tong dui kong qi zhi liang jin hang fen xi yu yu ce 。zai li xian bu fen zhong ,wo men di chu le yi chong ji yu XGBoostsuan fa de gai jin fang fa OPGBoost,zhu yao cai yong zi ding yi XGBoostsun shi han shu he Baggingji cheng lai you hua 。gen ju kong qi zhi liang shu ju de te dian ,cai yong la ge lang ri cha zhi fa dui shu ju jin hang chu li ,li yong cuo wei de fang shi gou jian yi duan shi jian nei kong qi shu ju de shu xing ,yong yu kuo chong yuan you de shu ju te zheng ,bing ju cong zhong shai shua chu chong yao de te zheng 。ran hou ,cai yong XGBoost、RF、OPGBoosthe BPsuan fa jian li yu ce mo xing ,jing guo mo xing ping gu he jie guo dui bi ,shua qu OPGBoostsuan fa zuo wei zui zhong de kong qi zhi liang de yu ce mo xing 。ci wai ,PIji tong tong guo er ci kai fa ,yin ru ji qi xue xi mo kuai ,zeng tian shu ju wa jue gong neng ,shi xian zai xian yu ce gong neng 。yun yong PIde shu ju rong ge gong neng ji cheng te zheng zi ji ,bing li yong hua dong chuang kou huan cun shu ju ji ,cai yong cui jian han shu kong zhi sheng cheng mo xing de quan chong ,zui hou zu ge zhi qian sheng cheng de mo xing ,zai PIji tong shang cai yong OPGBoostsuan fa jin hang zai xian shi shi yu ce 。shi yan biao ming ,zhen dui PM2.5he AQIde kong qi zhi liang yu ce ,qu de le jiao hao de li xian jian mo he zai xian yu ce xiao guo ,ju you jiao hao de shi ji yi yi 。

论文参考文献

  • [1].基于STM32的多功能空气质量监测系统设计[D]. 曾建清.电子科技大学2019
  • [2].基于深度学习的空气质量预测方法研究与实现[D]. 郭豪.北京邮电大学2019
  • [3].基于深度多任务学习的城市AQI预测与AQI等级估计[D]. 丁怡芳.浙江大学2018
  • [4].基于PaaS平台的空气质量监测系统设计与实现[D]. 赵秀丽.南京大学2017
  • [5].城市建成环境影响空气质量的作用机制研究[D]. 杨燕燕.华中科技大学2019
  • [6].基于灰色理论的西安空气质量预警系统研究与实现[D]. 张鑫.长安大学2019
  • [7].基于深度学习的空气质量预测模型分析研究[D]. 许凯波.长安大学2019
  • [8].空气质量与城镇化互动关系及其耦合协调发展研究[D]. 阮竹容.北京交通大学2019
  • [9].北京市空气质量的空间统计分析研究[D]. 李勇辉.华北电力大学(北京)2019
  • [10].城市绿化对空气质量的影响研究[D]. 张菁华.东北林业大学2019
  • 读者推荐
  • [1].基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D]. 刘蕾.上海师范大学2019
  • [2].基于深度学习的空气质量预测方法研究与实现[D]. 郭豪.北京邮电大学2019
  • [3].灰色指数平滑模型及其在空气质量预测中的应用[D]. 高晓辉.河北工程大学2019
  • [4].基于优化的BP神经网络与SVR算法对AQI的预测研究[D]. 张楠.中北大学2019
  • [5].空气质量预测模型研究[D]. 王智.哈尔滨工程大学2019
  • [6].基于空气质量数据的时空模式可视分析[D]. 王蓉.东北师范大学2019
  • [7].我国典型城市空气质量时空分布特征及影响因素分析[D]. 王鹏飞.兰州大学2019
  • [8].基于多源数据的空气质量分析及可视化[D]. 陈晨.电子科技大学2018
  • [9].基于复杂网络理论的空气质量数据分析[D]. 王丽.江苏大学2017
  • [10].城市环境空气质量数据挖掘与可视化的研究[D]. 李观松.山东大学2007
  • 论文详细介绍

    论文作者分别是来自武汉科技大学的夏润,发表于刊物武汉科技大学2019-07-16论文,是一篇关于空气质量论文,系统论文,特征选择论文,衰减函数论文,在线预测论文,武汉科技大学2019-07-16论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自武汉科技大学2019-07-16论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  

    夏润:基于改进集成学习算法的空气质量离线和在线预测论文
    下载Doc文档

    猜你喜欢