基于机器学习的多源数据雾霾预测模型研究

发布时间：2024-04-15 23:36

　　本文旨在运用机器学习相关算法,构建融合多源数据的雾霾预测模型。首先,本文对影响雾霾形成及演化的相关因子进行探讨,逐一分析各影响因子对雾霾的作用机制,并按照作用机制的不同,将其划分为环境空气质量和气象条件两类影响因素。前者主要为NOx、CO、SO₂、O₃等常见的大气污染物;后者主要为温度、气压、相对湿度、对流层延迟(ZTD)等气象参数;其次,在雾霾影响因子分析的基础上,采用机器学习相关算法,主要包括基于单一学习器的BP神经网络算法和基于多学习器集成的集成学习算法(GBDT及其增强版本:XGBoost、Light GBM),分别构建多时效性的雾霾预测模型,并以北京房山良乡区域2018-2019年的数据作为样本进行训练及预测。相关的研究结论及创新点如下:1)本文依据雾霾形成过程中的化学组分特性及物理变化机制,综合考虑了影响大气PM_2.5形成及变化的各类因素,并加入反应PM_2.5自身变化规律的PM_2.5时序数据,得到一个融合多源数据的雾霾预测模型。相较于单一因素的预测模型,融合模型有利...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图1大气分层结构

基于机器学习的多源数据雾霾预测模型研究92.2.4GNSS对流层延迟目前，人类所处的大气空间，即大气层（Atmosphere），自下而上可分为对流层、平流层、中间层、暖层和散逸层，其分层结构如图1所示。其中，对流层（Troposphere）位于大气层的最底层，其厚度在0~10km....

图210h内PM2.5序列之间热力相关图

基于机器学习的多源数据雾霾预测模型研究112.3PM2.5时间序列除外界因素对雾霾的影响外，其自身变化具有一定的规律，既相邻时段的雾霾变化具有时间连续性。收集北京市2018-2019年城市空气质量监测站（房山良乡站，位于北京房山区）的PM2.5历史数据，统计10小时内PM2.5序....

图3三层BP神经网络结构图

基于机器学习的多源数据雾霾预测模型研究13BP神经网络的网络拓扑结构通常由三个层次构成：输入层、隐含层及输出层，图（3）为一个三层结构的BP神经网络模型：图3三层BP神经网络结构图图3中，每一层的一个节点表示一个感知器（Perceptron），或称神经元，神经元是BP神经网络中最....

图4决策树结构

基于机器学习的多源数据雾霾预测模型研究17表示某一类别或标签（Label）。如图4所示，决策树算法采用“分而治之”的思想，通过一系列“if-then”规则构建由根结点到叶结点的决策路径集合，每一条决策路径表示一类实例，实例之间互斥且完备。图4决策树结构按决策树的具体应用分类，可划....

本文编号：3956115