随机森林算法在城市空气质量评价中的应用研究

发布时间：2020-11-05 11:58

　　 随着社会经济的快速发展,工业化程度越来越高,城市人口数量迅速增加,空气污染日益严重。如何加强空气污染防治,及时有效的防止严重污染事件发生,是我们越来越关心的问题。为防止城市空气污染事件的发生,保证城市空气质量,我们必须对空气质量进行准确合理的评估。并对于突发事件及时提出有效的防治措施,尽可能的给居民保障一个健康的生活环境。科学有效的空气质量评价方法在确保城市空气质量方面发挥着非常重要的作用。然而,我国的空气质量评价方法目前使用较多的还是传统的空气质量评价方法,而传统的空气质量评价方法一般是从单个污染因子进行考虑,运用固定的公式计算得到的,并且掺和了很多主观因素。而随着大数据和人工智能方法的进步,面对海量的数据,传统方法已经很难满足数据处理效率的。机器学习是一种实现人工智能的方法,如何更好的利用大数据和人工智能来进行空气质量评价,已经成为目前学者专家们的研究热点。随机森林算法是目前一种较好的机器学习评价算法,具有预测准确率高、处理效率快,泛化能力强,不容易过拟合等优点使其在被很多学者专家们运用在很多领域,包括图像分类、故障诊断、交通流预测等领域。本文建立以城市空气质量为背景的空气质量评价模型,先是对评价因子进行选择,对评价标准和现有的空气质量评价方法进行大量的研究。其次,从随机森林算法的的原理和理论知识入手,介绍了算法构建过程并对其优化方法进行了研究,为之后的空气质量评价模型的建立做好铺垫。接下来,选取2014-2016年中我国113个重点环保城市的空气质量数据作为原始数据,通过数据的预处理与数据集划分后,建立基于随机森林的空气质量评价模型,同时通过对模型建立过程中的不平衡数据处理和参数调整两个方面进一步优化模型,并使用准确率和AUC值来评估模型的模型效果;最后,将随机森林算法与人工神经网络和支持向量机进行比较,分别计算它们的准确率和AUC值。实验结果表明随机森林算法的评价效果最好,可以准确有效的对城市的空气质量进行评价,同时通过袋外数据对空气质量评价因子的重要性进行排序,为今后的大气污染防治提供建议。
【学位单位】：上海第二工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：X823
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与研究意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 论文创新点
    1.3 研究内容与结构
第二章 城市空气质量评价及评价方法
    2.1 评价因子的选择
        2.1.1 臭氧
        2.1.2 一氧化碳
        2.1.3 氮氧化物
        2.1.4 硫氧化物
        2.1.5 可吸入颗粒物
        2.1.6 细颗粒物
    2.2 空气质量评价标准
    2.3 空气质量评价方法
        2.3.1 传统模式评价方法
        2.3.2 机器学习算法评价方法
    2.4 评价方法的发展趋势
第三章 随机森林分类算法
    3.1 决策树..随机森林基分类器
        3.1.1 ID3 算法
        3.1.2 C4.5 算法
        3.1.3 CART算法
    3.2 Bagging算法简介
    3.3 随机森林算法的构建过程及其评价指标
        3.3.1 随机森林算法的构建过程
        3.3.2 随机森林的性能评价指标
    3.4 随机森林的优点及其应用
        3.4.1 随机森林的优点
        3.4.2 随机森林的应用
第四章 基于随机森林的空气质量评价模型
    4.1 随机森林的原理及步骤
        4.1.1 随机森林的原理
        4.1.2 随机森林的步骤
    4.2 随机森林优化方法的比较
        4.2.1 不平衡数据的优化
        4.2.2 构建过程的优化
        4.2.3 新算法引入的优化
    4.3 模型优化
        4.3.1 不平衡数据处理
        4.3.2 参数优化
        4.3.3 优化后的算法流程
    4.4 基于随机森林算法的空气质量评价模型
        4.4.1 实验数据准备
        4.4.2 模型构建
        4.4.3 模型效果评价
第五章 空气质量评价模型的对比分析
    5.1 人工神经网络在空气质量评价中的应用
        5.1.1 人工神经网络的概述
        5.1.2 基于人工神经网络的空气质量评价模型
    5.2 支持向量机在空气质量评价中的应用
        5.2.1 支持向量机的概述
        5.2.2 基于支持向量机的空气质量评价模型
    5.3 模型训练结果的对比
    5.4 特征变量重要性排序
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢

【相似文献】

相关期刊论文 前10条

1 赵华杰;;基于数学建模的空气质量评价方法[J];无线互联科技;2019年08期

2 张敏;邓琴;;浏阳市城区2015年环境空气质量评价及变化特征[J];绿色科技;2016年22期

3 周世营;;基于层次分析的福州市环境空气质量评价[J];低碳世界;2017年09期

4 周小进;朱小云;;乘用车内空气质量评价[J];纺织检测与标准;2016年01期

5 封宁;付保川;;室内空气质量评价方法及其数学模型[J];苏州科技学院学报(自然科学版);2015年04期

6 ;2015年度车内空气质量评价工作新闻发布会举办[J];汽车知识;2016年01期

7 ;首个车内空气质量评价项目结果将于10月份发布[J];中国汽车市场;2014年25期

8 ;我国首个车内空气质量评价项目正式启动[J];汽车知识;2014年10期

9 吉祝美;;新《环境空气质量标准》下的环境空气质量评价方法探讨[J];污染防治技术;2014年03期

10 陈微;俞丽丽;;环境空气质量评价方法研究[J];科技资讯;2014年21期

相关硕士学位论文 前10条

1 杭琦;随机森林算法在城市空气质量评价中的应用研究[D];上海第二工业大学;2019年

2 张星灿;修正Logistic-RBF组合模型的构建及其在空气质量评价中的应用[D];江西财经大学;2019年

3 彭琛玲;湖南省环境空气质量评价及其影响因素分析[D];中南林业科技大学;2019年

4 杨雯雯;基于卷积神经网络的图像空气质量评价算法研究[D];西北大学;2019年

5 王雪;陕西省空气质量评价及影响因素研究[D];西安理工大学;2019年

6 李婷;兰州市空气质量评价及主要大气污染物变化特征分析[D];兰州财经大学;2019年

7 裘阅;基于多种模型下的安徽省环境空气质量综合评价[D];合肥工业大学;2018年

8 李玉霞;基于改进狼群算法的支持向量机在空气质量评价中的应用[D];西华大学;2018年

9 丁鹏;基于灰色理论的城市空气质量评价及污染物浓度预测研究[D];江西理工大学;2018年

10 刘胜荣;空气质量评价智能信息处理技术研究[D];西安建筑科技大学;2007年

本文编号：2871608