常見污染物濃度集成學習預測模型研究.pdf

1、近年來，空氣污染日益惡化，嚴重阻礙我國的社會發(fā)展。有效地監(jiān)控空氣質(zhì)量，準確地預測空氣污染物濃度對我國的經(jīng)濟發(fā)展和國民健康十分重要?，F(xiàn)有的數(shù)值預測模型雖然能夠較好地實現(xiàn)空氣質(zhì)量預測，但需要詳細準確的污染物排放清單，而我國大部分環(huán)境保護部門無法做到?；跉v史監(jiān)測數(shù)據(jù)模型的空氣質(zhì)量預測方法適合我國現(xiàn)階段的發(fā)展需要，也是對數(shù)值預測模型的有效補充。
　　本文依靠歷史監(jiān)測數(shù)據(jù)，應(yīng)用機器學習和集成學習算法尋求預測空氣污染物濃度理想模型，并尋找模

2、型參數(shù)優(yōu)化規(guī)律。
　　本文主要的工作在于:
　　首先，確定了研究路線及備選機器學習算法。根據(jù)國內(nèi)外研究情況、機器學習算法特點初步篩選出用作實驗的學習算法集合。根據(jù)現(xiàn)有模型選擇原則和方法，確定本文模型選擇思路和策略。
　　其次，基于空氣質(zhì)量歷史監(jiān)測數(shù)據(jù)，進行大量實驗，篩選適合常見污染物濃度預測模型。論文進行三類實驗，分別是單一算法建模、Bagging集成學習算法建模和Stacking集成學習算法建模，并通過特定判斷標準將

3、三類訓練生成的模型進行性能比較，篩選出性能較好的模型。
　　第三，對于篩選出的模型給出參數(shù)優(yōu)化方法。分析三類訓練方式的優(yōu)缺點，并對篩選出的較好模型進行參數(shù)優(yōu)化實驗，找到參數(shù)調(diào)優(yōu)的規(guī)律和方法。
　　最后，開發(fā)基于上述研究的空氣質(zhì)量預測系統(tǒng)軟件。根據(jù)使用工具Weka在實際應(yīng)用中的缺陷，在Weka源碼基礎(chǔ)上進行了二次開發(fā)，編寫出針對空氣污染物濃度預測的應(yīng)用程序。
　　本研究的意義在于，利用機器學習和集成學習算法進行空氣污染物