随机森林算法在城市空气质量预测中的应用

发布时间：2018-03-27 21:37

  本文选题：随机森林算法　切入点：空气质量预测　出处：《统计与决策》2017年20期

【摘要】：近年来雾霾现象不断出现,空气质量状况愈发受到关注。文章以每日前一天的PM2.5、PM10浓度值等污染指标及温度、湿度、风速值等气象指标为影响因子,尝试基于随机森林算法的分类与回归功能,采用交叉验证法构建空气质量预测模型,并与应用Boosting、Bagging、决策树及支持向量机算法建立的模型的预测结果对比,发现随机森林模型具有较高的预测精度、较强的泛化能力及较好的稳健性能等优点,对开展城市空气质量预测工作有一定的指导意义。
[Abstract]:In recent years, the phenomenon of haze has been appearing constantly, and the air quality has been paid more and more attention. In this paper, the pollution index, temperature, humidity, wind speed and other meteorological indexes, such as PM2.5% PM10 concentration of the day before the day before, are taken as the influencing factors. Based on the classification and regression function of the stochastic forest algorithm, the air quality prediction model is constructed by cross-validation, and the results are compared with the prediction results of the model based on boost estimation, decision tree and support vector machine algorithm. It is found that the stochastic forest model has the advantages of high prediction accuracy, strong generalization ability and good robustness, which has certain guiding significance for urban air quality prediction.
【作者单位】： 太原理工大学数学学院;
【基金】：山西省青年科技研究基金资助项目(2012021015-6) 太原理工大学教育教学改革资助项目(8003-02040403)
【分类号】：O212.1;X831

【相似文献】

相关期刊论文 前10条

1 马景义;谢邦昌;;拟适应再加权分类随机森林[J];统计与信息论坛;2010年03期

2 张启敏,聂赞坎;随机森林发展系统解的存在性和唯一性(英文)[J];应用数学;2003年04期

3 方匡南;吴见彬;朱建平;谢邦昌;;随机森林方法研究综述[J];统计与信息论坛;2011年03期

4 曹正凤;谢邦昌;纪宏;;一种随机森林的混合算法[J];统计与决策;2014年04期

5 马景义;吴喜之;谢邦昌;;拟自适应分类随机森林算法[J];数理统计与管理;2010年05期

6 李贞子;张涛;武晓岩;李康;;随机森林回归分析及在代谢调控关系研究中的应用[J];中国卫生统计;2012年02期

7 马昕;王雪;杨洋;;基于随机森林算法的大学生异动情况的预测[J];江苏科技大学学报(自然科学版);2012年01期

8 刘微;罗林开;王华珍;;基于随机森林的基金重仓股预测[J];福州大学学报(自然科学版);2008年S1期

9 李西宁;申培萍;;一类随机森林发展系统的指数稳定性[J];宁夏大学学报(自然科学版);2005年03期

10 吕淑婷;张启敏;;一类带Poisson跳的随机森林发展系统数值解的稳定性[J];兰州理工大学学报;2012年03期

相关博士学位论文 前1条

1 岳明;基于随机森林和规则集成法的酒类市场预测与发展战略[D];天津大学;2008年

相关硕士学位论文 前1条

1 吴恒;基于LDA和随机森林的活跃微博预测研究[D];合肥工业大学;2017年

，

本文编号：1673307