基于MRMR-HK-SVM模型的PM2.5浓度预测

论文摘要

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM2.5浓度.

论文目录

• 1 材料与方法
•   1.1 研究区域
•   1.2 研究数据
•   1.3 研究方法
•     1.3.1 基于互信息的最大相关最小冗余算法
•     1.3.2 混合核函数支持向量机 （HK-SVM） 支持
•     1.3.3 MRMR-HK-SVM模型的构建流程
•   1.4 模型评价指标
• 2 结果与分析
•   2.1 赣州市污染情况分析
•   2.2 基于MRMR算法的特征选择
•   2.3 基于MRMR-SVM模型的赣州市PM2.5预测
•   2.4 基于MRMR-HK-SVM模型的赣州市PM2.5预测
• 3 结论

文章来源

类型: 期刊论文

作者: 李建新,刘小生,刘静,黄俊

关键词: 最大相关最小冗余,混合核函数,支持向量机,预测模型

来源: 中国环境科学 2019年06期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 环境科学与资源利用

单位: 江西理工大学建筑与测绘工程学院

基金: 国家自然科学基金资助项目(41561091),江西省科技厅重点项目(20142BBE50024)

分类号: X831

DOI: 10.19674/j.cnki.issn1000-6923.2019.0274

页码: 2304-2310

总页数: 7

文件大小: 551K

下载量: 488