基于样本逼近的PM2.5预测算法研究

发布时间：2023-09-29 00:20

　　近年来,以雾霾为首的空气污染已成为影响社会民生的重要问题,特别是以北京为代表的北方城市深受其害。雾霾通常以降低能见度的方式直接影响城市交通,而其中的细颗粒物(Particular Matter less than 2.5μm,PM2.5)更是会对人体造成伤害。对PM2.5的浓度进行预测,不仅可以让大家提前知晓室外颗粒物对人体健康的影响,更为有关单位对空气污染的预警、控制、治理提供了主动权。国内外学者围绕与PM2.5相关的空气质量预测问题做了大量研究,并取得了较好的研究成果。这些预测方法中使用的代表性回归方法有梯度上升决策树(Gradient Boosting Decision Tree,GBDT)、支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression,LR)等,其中的大多数方法为了提升模型的泛化能力,让模型尽可能多的学习各类样本,忽视了训练集数据与待预测问题之间的相关性,直接导致训练集中噪声样本比例过大,在一定程度上使得预测结果的偏差增大。其直观表现是在超过24小时的长时距预测任务中,预测误差随着时间梯度的逐渐消失而快速增...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 论文组织结构
第2章 相关知识简介
    2.1 空气质量指数简介
    2.2 采样方法介绍
        2.2.1 过采样和欠采样
        2.2.2 接受-拒绝采样
    2.3 均匀分布和高斯分布
        2.3.1 均匀分布
        2.3.2 高斯分布
    2.4 离散特征提取
    2.5 特征降维
    2.6 评价标准介绍
    2.7 本章小结
第3章 RMI插值算法
    3.1 空气质量数据常用插值方法介绍
    3.2 空气质量数据常用插值方法问题分析
    3.3 RMI算法思想
    3.4 RMI对比实验
        3.4.1 数据介绍
        3.4.2 异常值范围设定
        3.4.3 实验结果与分析
    3.5 本章小结
第4章 样本逼近算法SA
    4.1 样本逼近算法研究现状
    4.2 样本逼近算法存在的问题
    4.3 SA算法思想
        4.3.1 样本相似性计算
        4.3.2 不均衡数据集上的逼近采样
        4.3.3 SA算法流程
        4.3.4 SA算法描述
    4.4 本章小结
第5章 基于SA的PM2.5预测算法及对比实验
    5.1 基于样本逼近的SA-GBDT预测算法
    5.2 基于样本逼近的SA-SVM预测算法
    5.3 PM2.5预测算法对比试验与实验结果分析
        5.3.1 实验数据介绍
        5.3.2 数据分析
        5.3.3 特征提取和特征选择
        5.3.4 特征降维尺度选择
        5.3.5 逼近预测算法参数选择
        5.3.6 实验结果与分析
    5.4 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 存在问题及展望
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3848907