基于改进集成学习算法的在线空气质量预测

论文摘要

为了实现空气质量的在线预测,提出了一种基于XGBoost算法的改进集成学习算法OPGBoost。首先对PI(plant information)实时数据库系统进行二次开发,构成大数据挖掘与分析平台,运用数据融合工具对原始数据进行预处理,并采用Boruta算法进行特征选择,从而构造出包含更多属性特征量的有效数据集。然后对XGBoost算法中的一阶和二阶导数进行优化,并通过时间滑动窗口和衰减函数机制获取训练数据以及训练模型的权重,最后采用Bagging集成学习策略构成OPGBoost组合模型。实验结果表明,针对基于PM2.5浓度和AQI表征的空气质量预测,本文方法与4种已有算法相比在准确性和实用性方面具有明显的优势,能够较精确地预测未来1、12、24h的空气污染情况。

论文目录

• 1 数据准备
•   1.1 数据格式
•   1.2 数据源
•   1.3 数据预处理
•   1.4 有效数据集的构造
• 2 OPGBoost算法
•   2.1 XGBoost算法简介
•   2.2 OPGBoost算法实现
• 3 实验平台搭建
•   3.1 实时数据库系统介绍
•   3.2 预测模型的组合权重
•     3.2.1 非线性衰减函数
•     3.2.2 滑动窗口设置
•   3.3 系统处理流程
• 4 实验结果分析
•   4.1 训练集和测试集的选取
•   4.2 模型评价方法
•   4.3 实验结果
• 5 结语

文章来源

类型: 期刊论文

作者: 夏润,张晓龙

关键词: 空气质量预测,算法,衰减函数,集成学习,特征选择

来源: 武汉科技大学学报 2019年01期

年度: 2019

分类: 工程科技Ⅰ辑,信息科技

专业: 环境科学与资源利用,自动化技术

单位: 武汉科技大学,武汉科技大学计算机科学与技术学院,武汉科技大学智能信息处理与实时工业系统湖北省重点实验室,武汉科技大学大数据科学与工程研究院

基金: 国家自然科学基金资助项目(61273225,61702381)

分类号: X51;TP181

页码: 61-67

总页数: 7

文件大小: 249K

下载量: 440